Verbesserung von Energieeffizienz und Komfort im ... · Ziel dieses Projektes ist die Entwicklung neuer prädiktiver Algorithmen für die Gebäudeautomation, die in der Lage sind

Elmar Bollin, Thomas Feldmann

Verbesserung von Energieeffizienz und Komfort im Gebäudebetrieb durch den Einsatz prädiktiver Betriebsverfahren (PräBV)

Fraunhofer IRB Verlag

F 2834

Bei dieser Veröffentlichung handelt es sich um die Kopie des Abschlussberichtes einer vom Bundesministerium für Verkehr, Bau und Stadtentwicklung -BMVBS- im Rahmen der Forschungsinitiative »Zukunft Bau« geför-derten Forschungsarbeit. Die in dieser Forschungsarbeit enthaltenen Darstellungen und Empfehlungen geben die fachlichen Auffassungen der Verfasser wieder. Diese wer-den hier unverändert wiedergegeben, sie geben nicht unbedingt die Meinung des Zuwendungsgebers oder des Herausgebers wieder.

Dieser Forschungsbericht wurde mit modernsten Hochleistungskopierern auf Einzelanfrage hergestellt.

Die Originalmanuskripte wurden reprotechnisch, jedoch nicht inhaltlich überarbeitet. Die Druckqualität hängt von der reprotechnischen Eignung des Originalmanuskriptes ab, das uns vom Autor bzw. von der Forschungsstelle zur Verfügung gestellt wurde.

© by Fraunhofer IRB Verlag

2014

ISBN 978-3-8167-9287-1

Vervielfältigung, auch auszugsweise, nur mit ausdrücklicher Zustimmung des Verlages.

Fraunhofer IRB Verlag Fraunhofer-Informationszentrum Raum und Bau

Postfach 80 04 69 70504 Stuttgart

Nobelstraße 12 70569 Stuttgart

Telefon 07 11 9 70 - 25 00 Telefax 07 11 9 70 - 25 08

E-Mail [email protected]

www.baufachinformation.de

www.irb.fraunhofer.de/bauforschung

F 2834

Abschlussbericht

Verbesserung von Energieeffizienz und Komfort im Gebäudebetrieb durch den Einsatz prädiktiver Betriebsverfahren (PräBV)

Institut für Energiesystemtechnik (INES)

Badstr. 24 77652 Offenburg

Projektleitung: Prof. Elmar Bollin Bearbeitung: Thomas Feldmann

Sept. 2009 – März 2012

Der Forschungsbericht wurde mit Mitteln der Forschungsinitiative Zukunft Bau des Bundesinstitutes für Bau-, Stadt- und Raumforschung in Vertretung des Bundesmi-nisteriums für Vekehr, Bau und Stadtentwicklung gefördert. (Aktenzeichen: SF – 10.08.18.7- 09.19 / II 3 – F20-09-1-039) Die Verantwortung für den Inhalt des Berichtes liegt beim Autor

Projektförderkennzeichen: 10.08.18.7-09.19

Projektträger:

Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR) im Bundesamt für Bauwesen und Raum-

ordnung (BBR)

Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln aus dem Bundeshaushalt für For-

schungsprojekte im Rahmen der Forschungsinitiative „Zukunft Bau“ gefördert. Die Verantwortung für

den Inhalt dieser Veröffentlichung liegt bei den Autoren".

Dieser Bericht wurde erstellt von:

Projektkoordination

Hochschule Offenburg

Projektleiter: Prof. Elmar Bollin

Projektbearbeiter:

Thomas Feldmann, Clemens Bruder, Benjamin Pfändler, Prof. Dr. Harald Wiedemann, Martin

Schmelas

Projektbeteiligte Hochschule Köln

Projektleiter: Prof. Dr. rer. nat. Wolfgang Schellong

Projektbearbeiter: Jose Soto Rodriguez

Firma FMSbase.com

Projektleiter: Siniko von Keitz

Projektbearbeiter: Guido Walther

HKW-Elektronik GmbH

Projektleiter: Jörg Schneider

Projektbearbeiter: Udo Volkhardt, Markus Hetzer, Klaus Metzner, Thomas Kowald

Inhaltsverzeichnis

1 Einleitung ......................................................................................................................................... 1

1.1 Energiesituation in der Gebäudetechnik ................................................................................... 1 1.2 Ziel des Forschungsprojekts Prädiktive Betriebsverfahren (PräBV) ......................................... 2

2 Grundlagen ...................................................................................................................................... 4

2.1 Klimatisierung von Büro- und Verwaltungsgebäuden ............................................................... 4 2.1.1 Thermische Behaglichkeit ............................................................................................... 4 2.1.2 Heizlast und Kühllast ...................................................................................................... 5 2.1.3 Übersicht über übliche Klimatisierungskonzepte in der Gebäudetechnik ...................... 6

2.2 Thermoaktive Bauteilsysteme (TABS) ...................................................................................... 8 2.2.1 Arten und Aufbau von Thermoaktiven Bauteilsystemen (TABS) .................................... 8 2.2.2 Prinzip von Thermoaktiven Bauteilsystemen (TABS) ...................................................10 2.2.3 Energiequellen, Energiebereitstellung bei Thermoaktiven Bauteilsystemen (TABS) ...10 2.2.4 Funktionsprinzip und dynamisches Verhalten der Betonkerntemperierung .................11

3 Potenzialanalyse bzgl. Einsatz von prädiktiven Betriebsverfahren in der Gebäudetechnik ............................................................................................................................15

3.1 Steuer- und Regelungsverfahren im Bereich von Thermoaktiven Bauteilsystemen ..............15 3.2 Stand der Technik bzgl. prädiktiver Steuer- und Regelungsverfahren in der

Gebäudeautomation ................................................................................................................27 3.3 Beurteilung zum Potenzial von prädiktiven Betriebsverfahren in der Gebäudeautomation ...30

4 Übertragung von Wetterprognosen für die Gebäudeautomation mit Langwellenfunktechnik und Entwicklung eines Verfahrens zur lokalen Optimierung .........31

4.1 Einleitung.................................................................................................................................31 4.2 Entwicklung eines Verfahrens zur Korrektur von Wetterprognosen durch Vor-Ort-

Messungen ..............................................................................................................................34 4.2.1 Entwicklung des Algorithmus ........................................................................................34 4.2.2 Auswertung der Modell-Ansätze ...................................................................................37 4.2.3 Anwendung der Langzeitprognose auf interpolierte Prognose-Werte ..........................39

4.3 Entwicklung eines Gerätes zum Empfang von Wetterprognosen per Langwelle, Integration von Wettermesstechnik für Vor-Ort-Messungen und Implementierung des Korrekturverfahrens ................................................................................................................45

4.4 Entwicklung einer Leitungsgebundenen Schnittstelle zur Anbindung der Gebäudeautomation ................................................................................................................47

4.5 Test der Prognosen und Evaluierung der Ergebnisse ............................................................48

5 Entwicklung eines selbstlernenden Algorithmus zur prädiktiven Heizungsregelung ..........50

6 Entwicklung von prädiktiven Algorithmen für thermisch aktive Bauteilsysteme (TABS) ....58

6.1 Prinzip prädiktiver Verfahren ...................................................................................................58

6.2 Entwicklungsumgebung ..........................................................................................................60 6.2.1 Software ........................................................................................................................60 6.2.2 Versuchsgebäude .........................................................................................................61

6.3 Methoden ................................................................................................................................63 6.4 Variation der Vorlauftemperatur ohne Wetterprognose ..........................................................63 6.5 Prädiktiver Algorithmus als Basis für selbstlernende Systeme ...............................................65 6.6 Optimaler prädiktiver Algorithmus ...........................................................................................68 6.7 Sensitivitätsanalyse .................................................................................................................71 6.8 Ergebnisse ..............................................................................................................................73

7 Selbstlernende Optimierungsalgorithmen für die Steuerung von thermoaktiven Bauteilsystemen ...........................................................................................................................79

7.1 TRNSYS 17 .............................................................................................................................80 7.1.1 Mathematische Definition des Gebäudemodells ..........................................................80 7.1.2 Modell der thermoaktiven Bauteilsysteme ....................................................................83 7.1.3 TRNSYS Bedienungsoberfläche ..................................................................................88 7.1.4 TRNSYS Komponenten (TYPES) .................................................................................90 7.1.5 Wetterdaten ..................................................................................................................91 7.1.6 Kopplung von TRNSYS mit MATLAB ...........................................................................91

7.2 Multiple Regression .................................................................................................................92 7.2.1 OLS-Schätzung .............................................................................................................93 7.2.2 Bestimmtheitsmaß ........................................................................................................95 7.2.3 Korrelationskoeffizient ..................................................................................................96

7.3 Künstliche Neuronale Netze (KNN) ........................................................................................97 7.3.1 Aufbau und Funktionsweise eines Künstlichen Neurons .............................................97 7.3.2 Identität oder lineare Aktivierungsfunktion ....................................................................99 7.3.3 Tangens Hyperbolicus Aktivierungsfunktion ...............................................................100 7.3.4 Lernprozess der Backpropagation ..............................................................................100 7.3.5 Levenberg-Marquardt-Algorithmus .............................................................................102

7.4 Entwicklung eines Algorithmus auf Basis von Multiplen Regression (MR) mit Hilfe der Programme MATLAB und TRNSYS .....................................................................................104

7.4.1 Testgebäude ...............................................................................................................104 7.4.2 Algorithmus auf Basis der Multiplen Regression ........................................................107 7.4.3 Erste Jahressimulation des Testgebäudes .................................................................111 7.4.4 Zweite Jahressimulation des Testgebäudes ..............................................................120 7.4.5 Jahressimulation mit Änderung der inneren Lasten ...................................................123 7.4.6 Jahressimulation mit Änderung des Standortes/ äußeren Lasten ..............................126

7.5 Entwicklung eines Algorithmus auf Basis von Künstlichen Neuronalen Netzen mit Hilfe der Programme MATLAB und TRNSYS ...............................................................................129

7.5.1 Netztopologie ..............................................................................................................129 7.5.2 Training des Netzes ....................................................................................................130 7.5.3 Algorithmus auf Basis von Künstlichen Neuronalen Netzen ......................................130 7.5.4 Erste Jahressimulation des Testgebäudes .................................................................131 7.5.5 Jahressimulation mit Änderung der inneren Lasten ...................................................134

7.5.6 Jahressimulation mit Änderung des Standortes/äußeren Lasten ...............................136

8 Anbindung an Gebäudeleittechnik ...........................................................................................140

8.1 Anbindung der Hardware ......................................................................................................140 8.2 Anbindung zur Gebäudeleittechnik .......................................................................................143 8.3 Integration der Fuzzy-Logik...................................................................................................144 8.4 Umsetzung Multiple lineare Regression ...............................................................................145 8.5 Zugriff auf historische Daten der Gebäudeleittechnik des Bundesministerium

Gesundheit in Bonn ...............................................................................................................147

9 Fazit ..............................................................................................................................................148

9.1 Ausgangslage .......................................................................................................................148 9.2 Entwicklung prädiktiver Verfahren für die Gebäudeautomation ............................................148

9.2.1 Entwicklungsumgebung ..............................................................................................148 9.2.2 Prinzip der Energiebedarfsprognose ..........................................................................149 9.2.3 Selbstlernende Algorithmen ........................................................................................150

9.3 Wetterprognosen ...................................................................................................................151 9.3.1 Wetterprognosen mit Langwellenfunktechnik .............................................................151 9.3.2 Korrekturverfahren von Wetterprognosen durch Vor-Ort-Messungen .......................151

9.4 Umsetzung Prädiktiver Verfahren in der Gebäudeautomation .............................................152

10 Literatur .......................................................................................................................................153

11 Abbildungsverzeichnis ..............................................................................................................155

12 Tabellenverzeichnis ....................................................................................................................160

Seite 1

1 Einleitung

Erstellt durch: Hochschule Offenburg

1.1 Energiesituation in der Gebäudetechnik

Angesichts der Notwendigkeit zur Reduktion der CO2-Emissionen und der Entwicklung der Ener-

giepreise kommt dem Gebäudebereich eine wichtige Rolle zu. Das enorme Energieeinsparpoten-

zial wird deutlich, wenn man sich vergegenwärtigt, dass der Gebäudebereich einen Anteil von rund

40 % am gesamten Endenergieverbrauch in Deutschland hat.

Neue Konzepte und Technologien in Architektur und technischer Gebäudeausrüstung zeigen mit

ihren Ergebnissen das Potenzial möglicher Einsparungen sowohl im Neubau als auch in der Sanie-

rung des Bestands.

Energiequellen wie die Geothermie, Solarthermie, solare Kühlung, Verteilsysteme wie Betonkern-

aktivierung oder Kühldecken, kombinierte Systeme zur Energiespeicherung und –verteilung wie

Verputzsysteme mit wärmespeichernden Eigenschaften, aber auch Wasser- oder Eisspeicher,

Doppelfassaden und komplexe Verschattungssysteme stellen jedoch immer höhere Anforderungen

an die Gebäudeautomation.

Die Erfahrung zeigt, dass erhebliches Einsparpotential nicht genutzt werden kann, da die Metho-

den und Algorithmen der Automatisierungstechnik nicht mit den komplexen Versorgungssystemen

moderner Gebäude Schritt halten können.

Um diese Potenziale zu erschließen und nicht zuletzt um die Akzeptanz der neuen Technologien

zu verbessern, ist es dringend notwendig, auch im Bereich der Gebäudeautomation neue Algo-

rithmen und Verfahren zu entwickeln, die in der Lage sind, die Möglichkeiten, die sich durch die

beschriebenen Technologien bieten, auch möglichst vollständig zu nutzen.

Neue Algorithmen, basierend auf mathematischen Optimierungsverfahren, der Einsatz von Exper-

tensystemen und die Auswertung von Wetterprognosen für den Gebäudestandort müssen entwi-

ckelt und zur Praxisreife gebracht werden.

Erste Arbeiten hierzu sind inzwischen veröffentlicht worden und das starke Interesse der Industrie

zeigt, dass die Problematik erkannt und die Notwendigkeit neuer Automatisierungskonzepte deut-

lich geworden ist.

Erste Steuerungskomponenten, die in der Lage sind Wetterprognosen zu empfangen sind als Pro-

totypen vorgestellt worden, an neuen Algorithmen, die diese sinnvoll auswerten können, mangelt

es allerdings noch. Hier besteht dringender Entwicklungsbedarf.

Seite 2

Der Empfang von Wetterprognosen erfordert heute noch die Anbindung der Gebäudetechnik an

das Internet. Die Übertragung kann per FTP-Download oder als Webservice erfolgen. Hier gibt es

jedoch sicherheitstechnische Bedenken, vor allem für den Einsatz in Banken, Ministerien oder an-

deren sicherheitssensiblen Einrichtungen. Im Rahmen des hier skizzierten Forschungsprojektes

soll der Empfang von Wetterprognosen per Langwellenfunk erfolgen. Hierfür sind neben der Be-

reitstellung des Serviceangebotes Empfangsgeräte zu entwickeln, die in der Gebäudeautomation

eingesetzt werden können.

Auch beim Einsatz regenerativer Energiequellen für die Gebäudeheizung können prädikative Re-

gelalgorithmen wertvolle Informationen für die Beladung von Speichersystemen liefern. So kann

die Beheizung von Warmwasserspeichern mit der Zusatzheizung zunächst verzögert werden,

wenn bekannt ist, dass im Laufe des Tages solares Energieangebot zur Verfügung stehen wird.

1.2 Ziel des Forschungsprojekts Prädiktive Betriebsverfahren (PräBV)

Auf dem Gebiet der technischen Gebäudeausrüstung sind in den letzen Jahren viele neue Mög-

lichkeiten der Energieversorgung und –verteilung entwickelt worden. Diese sind immer häufiger im

Neubaubereich und teilweise auch schon der Sanierung von Gebäudebeständen zu sehen. Typi-

sche Beispiele sind Technologien zur Nutzung von Geothermie für die Gewinnung von Wärme und

Kälte oder neue Systeme zur Energieverteilung, wie zum Beispiel wasser- oder luftführende Sys-

teme in Gebäudeteilen großer Masse, die so genannte Betonkernaktivierung.

Auch neue Verfahren, die schon vorhandene Technik nutzen sind entwickelt worden. Ein Beispiel

hierfür ist die freie Nachtluftkühlung. Mit der Nachtlüftung werden vorhandene Lüftungssysteme

genutzt, um, ohne den Einsatz von Klimaanlagen den Komfort im Gebäude in den vorgeschriebe-

nen Grenzen zu halten.

Langzeituntersuchungen, die unter anderem im Rahmen des vom Bundesministerium für Wirt-

schaft und Technologie geförderten Projektes EnOB (Energieoptimiertes Bauen) durchgeführt wor-

den sind, haben gezeigt, dass die konventionelle Gebäudeautomation mit ihren vorhandenen Algo-

rithmen nicht in der Lage ist, die möglichen Energieeinspar-Potenziale vollständig auszuschöpfen

und nachhaltige Energiequellen optimal zum Einsatz zu bringen.

Dies liegt unter anderem daran, dass die Gebäudetechnik immer komplexer wird. Es gibt häufig

nicht nur eine Möglichkeit um zu heizen oder zu kühlen. Meist stehen mehrere Energiequellen (er-

neuerbare und fossile) sowie unterschiedliche Verteilsysteme zur Verfügung. Ergänzende Kompo-

nenten sind meist Speicher für Wärme und Kälte, um das wetterabhängige Angebot regenerativer

Energiequellen ausgleichen zu können. Das optimale Zusammenwirken all dieser unterschiedli-

chen Komponenten lässt sich mit den herkömmlichen Verfahren der Gebäudeautomation nicht

erreichen.

Sobald Energiespeicher oder sehr träge Prozesse, wie die Betonkernaktivierung im System vor-

handen sind, tauchen betriebsdynamische Fragestellungen, wie bspw. der Möglichkeit einer opti-

Seite 3

malen Speicherbeladung, auf. Eine umsichtige Lösung kann durch einen Blick in die Zukunft reali-

siert werden. Als einzige Alternative bietet sich an, qualifizierte Wetter- und Nutzungsprognosen zu

entwickeln, um die regelungstechnischen Probleme zufriedenstellend zu lösen.

Ziel dieses Projektes ist die Entwicklung neuer prädiktiver Algorithmen für die Gebäudeautomation,

die in der Lage sind trotz der beschriebenen Probleme und Herausforderungen einen im Sinne der

Energieeffizienz, der Nachhaltigkeit und des Komforts optimalen Gebäudebetrieb zu ermöglichen.

Hierfür ist es notwendig, für den jeweiligen Standort der Gebäude individuell angepasste Wetter-

prognosen verfügbar zu machen. Dazu soll ein neues Verfahren entwickelt und erprobt werden.

Wetterprognosen sollen über Langewellenfunk empfangen werden und vor Ort mit Hilfe von Wet-

termessdaten für den jeweiligen Standort hinsichtlich Präzision und Detailierungsgrad optimiert

werden.

Neben der Bereitstellung des Serviceangebotes „Standorte-Wetterprognose“ sind Empfangsgeräte

zu entwickeln, die in der Gebäudeautomation eingesetzt werden können. Mit Hilfe neuartiger prädi-

kativer Algorithmen sollen die individuellen Wetterprognosen in die vorhandene Gebäudeautomati-

on so eingebunden werden, dass die Nutzung erneuerbarer Energiequellen maximiert und der

Verbrauch fossiler Brennstoffe minimiert wird.

Nach Abschluss des Projektes sollen die Ergebnisse in der Praxis erprobt werden. Dies könnte im

Rahmen des Energieeinsparprogramms für die Bundesliegenschaften an mehreren Standorten

erfolgen. Ein Langzeitmonitoring mit wissenschaftlicher Begleitung wird die Betriebsergebnisse

bewerten und die Verfahren optimieren.

Seite 4

2 Grundlagen


2.1 Klimatisierung von Büro- und Verwaltungsgebäuden

Zu den Basisaufgaben eines jeden Unternehmen gehört, ein angenehmes Raumklima für seine

Mitarbeiter zu schaffen. Das Raumklima beeinflusst in großem Maße das Wohlbefinden und somit

auch im übertragenen Sinne die Leistungsfähigkeit eines Menschen. Ein großen Teil zur Steige-

rung des Komforts und Wohlbefinden wird mit den richtigen Heiz- und Klimatisierungssytemen

erreicht. Hier gilt es mit geeigneter System- sowie Steuer- und Regelungstechnik bestmögliche

Behaglichkeit beim Menschen, zu erreichen und gleichzeitig ressourcenschonende und energieef-

fiziente Betriebsverfahren einzusetzen.

Je nach Anforderung an die Klimatisierungstechnik müssen verschiedene Aufgaben erfüllt werden.

Hierzu gehören beispielsweise:

• Erzielen behaglicher Raumlufttemperaturen (Abfuhr von Kühl- bzw. Heizlasten),

• Erzielen behaglicher Temperaturen der Raumumschließungsflächen,

• Erzielen behaglicher Raumluftfeuchtigkeit,

• Ausreichende Versorgung mit Außenluft (Lufterneuerungsrate),

• Reinheitsgrad der Raumluft,

• Einhalten von Geräuschemissionen,

• Abführen von Geruchsemissionen.

Die größten Potenziale neue energieeffiziente Konzeptlösungen zur Anwendung zu bringen, liegen

im Bereich von Neubauten. Hier besteht die Möglichkeit mit geeigneter Bauphysik die Grundlagen

für ein energieeffizientes Klimatisierungskonzept zu schaffen. Neue Klimatisierungssysteme sind

nicht nur eine Ausstattung eines Gebäudes. Vielmehr sind heutzutage die Gebäudestrukturen ein

fester Bestandteil von Klimatisierungssystemen.

2.1.1 Thermische Behaglichkeit

Das zentrale Ziel aller Klimatisierungssysteme ist es ein akzeptables thermisches Raumklima beim

Menschen zu erzielen. Um diesen Zustand zu beschreiben wird der Begriff „Thermische Behag-

lichkeit verwendet. Thermische Behaglichkeit ist der Luftzustand, in dem sich der Mensch am

wohlsten fühlt. Er wird von jedem Menschen anders empfunden und ist somit subjektiv zu bewer-

ten. Thermische Behaglichkeit lässt sich nicht mit „harten“ physikalischen Grenzen definieren. Um

thermische Behaglichkeit beschreiben zu können werden Behaglichkeitsbereiche verwendet.

Die Thermische Behaglichkeit ist von vielen Einflussfaktoren abhängig. In Abb. 2-1 sind die Haupt-

faktoren schematisch dargestellt. Das Behaglichkeitsempfinden wird durch die Art der Tätigkeit

(Aktivität), die Art der Kleidung, die Aufenthaltsdauer, die Lufttemperatur, die durchschnittliche

Seite 5

Strahlungstemperatur der Raumumschließungsflächen, die Luftgeschwindigkeit und die Luftfeuch-

tigkeit (den Wasserdampfpartialdruck) beeinflusst.

Abb. 2-1: Einflussfaktoren auf die thermische Behaglichkeit

Meist wird thermische Unzufriedenheit dadurch hervorgerufen, dass ein Teil eines Körpers einer

unerwünschten Wärme oder Kälte ausgesetzt ist. Dies können beispielsweise lokale thermische

Unbehaglichkeiten wie Zug-Erscheinungen, Strahlungstemperaturasymmetrien, warme- oder kalte

Fußböden sowie vertikale Lufttemperaturunterschiede sein. [REC2007]

2.1.2 Heizlast und Kühllast

In Abb. 2-2 ist jeweils schematisch die Heizlast und die Kühllast dargestellt. „Mit der Heizlast wird

der Wärmestrom definiert, der einem zu beheizenden Raum zuzuführen ist, um in diesem Raum

eine vorgegebene Raumlufttemperatur einhalten zu können“. [HUK2005] Die Heizlast dient zu-

gleich der Bemessung von Heizgeräten sowie von Wärmeversorgungs- und Wärmeverteileinrich-

tungen für einen festen Zeitpunkt. An einem kalten Wintertag muss ein Raum aufgeheizt werden,

um für den Menschen angenehme Raumlufttemperatur zu erzielen.

Heizlast Kühllast Abb. 2-2: Prinzip der Heizlast (links) mit Zuführung von Wärmeenergie und Prinzip der Kühl-last (rechts) mit Abführung von Wärmeenergie [HUK2005]

Seite 6

„Die Kühllast ist der Wärmestrom, der aus einem zu kühlenden Raum abzuführen ist, um in diesem

Raum eine vorgegebene Raumlufttemperatur einhalten zu können. Sie dient der Bemessung von

Raumkühlgeräten sowie von Kälteversorgungs- und Kälteverteileinrichtungen für einen festen Zeit-

punkt.“ [HUK2005] An einem heißen Sommertag muss bspw. ein Raum gekühlt werden, um für

den Menschen angenehme Raumlufttemperaturen zu erzielen.

Die Heiz- und Kühllast ist durch mehrere Faktoren (Wärmeströme) bestimmt. Hierzu gehören:

• Transmissionswärmeverluste durch Wände und Fenster,

• Lüftungswärmeverluste,

• sowie zusätzliche innere Wärmegewinne

Diese Wärmeströme variieren mit den herrschenden Wetterbedingungen (Außenlufttemperatur,

Außenluftfeuchte, solare Einstrahlung, Wind, etc.), den bauphysikalischen Parametern (Wärme-

dämmung; Wärmespeicherfähigkeit der Bauteile; Lage der Räume; Größe, Orientierung und Luft-

durchlässigkeit von Fenstern und Türen; Sonnenschutz etc.) und den inneren thermischen Belas-

tungen (Anzahl und Aktivität anwesender Personen; Intensität der Beleuchtung, Leistungswerte el.

Geräte, Gleichzeitigkeit des Geräteeinsatzes, etc.) [HUK2005].

„Bei der Auslegung von Gebäuden und bei der Dimensionierung von Raumkonditionierungssyste-

men sind die thermischen Behaglichkeitskriterien (Innenraum-Minimaltemperatur im Winter, Innen-

raum-Maximaltemperatur im Sommer) als Eingangswerte für die Berechnung der Heizlast und der

Kühllast zu verwenden. Dadurch wird sichergestellt, dass bei den, dem Entwurf zugrunde gelegten

Außen- und Innenraumnutzungs-Bedingungen bestimmte Maximal- bzw. Minimaltemperaturen

eingehalten werden können.“ [EN2007]

Nach der Fertigstellung eines Gebäudes (Nutzung) wird die größte Variation bei der Heizlast und

Kühllast meist durch die äußeren wechselnden Wettereinflüsse und die inneren wechselnden

Wärmegewinne hervorgerufen.

2.1.3 Übersicht über übliche Klimatisierungskonzepte in der Gebäudetechnik

Je nach Anforderungen muss ein geeignetes Klimatisierungskonzept entwickelt werden. Hierzu

stehen verschiedenste Anlagentypen zur Verfügung. In Abb. 2-3 sind Auszüge heute üblicher Kli-

matisierungssysteme dargestellt. Meist sind es bauphysikalische (Platzbedarf) oder finanzielle

Gründe (Investitionskosten), die zur Wahl eines Klimatisierungskonzeptes führen. Oft werden lang-

fristige energiewirtschaftliche Aspekte zu wenig oder gar nicht berücksichtigt.

Bei Neubauten besteht die Möglichkeit bereits zu Beginn klare Ziele bezüglich Energieverbrauch

zu definieren. Eine umfassende Planung hilft diese Ziele zu erreichen. So sollten bereits in der

Vorentwurfsplanung des Gebäudes die Auswirkungen verschiedener Klimatisierungskonzepte hin-

sichtlich Komfort und Wirtschaftlichkeit analysiert werden. Denn in dieser Phase der Planung wird

Seite 7

der Grundstein für ein langfristig wirtschaftliches und energieeffizientes Klimatisierungskonzept

gelegt.

Abb. 2-3: Übersicht über heute übliche Varianten von Raumlufttechnischen (RLT) Anlagen zur Klimatisierung von Büro- und Verwaltungsgebäuden. Darstellung der Kombinationen von Freier Lüftung mit Raumkühl- / Raumheizsystemen (blau).

Aus Abb. 2-3 geht hervor, dass sich die Klimatisierungssysteme bereits im Transportmedium für

Wärmeab- bzw. zufuhr unterscheiden. Generell wird die Abfuhr von thermischen Lasten nicht im-

mer mit Hilfe des Mediums Luft durchgeführt. Die thermodynamischen Eigenschaften von Luft dif-

ferenzieren sich stark mit denen von Wasser. Die spezifische Wärmekapazität von Luft ist gegen-

über Wasser um den Faktor 4 geringer. Die Dichte von Luft ist gar um den Faktor 833 geringer (je

nach Lufttemperatur).

Der Vergleich der Medien Luft und Wasser bei gleichen Lastabfuhren aus Räumen zeigt, dass für

den Transport beim Medium Luft der Energiebedarf um ungefähr den Faktor 10 höher ist als beim

Medium Wasser. In diesem Vergleich wurden die Druckverluste der einzelnen Leitungssysteme,

die mit Hilfe von Ventilatoren bzw. Pumpen überwunden werden müssen, sowie den Temperatur-

differenzen zwischen Vor- und Rücklauf (Wasser) bzw. Zu- und Abluft berücksichtigt. Allerdings ist

dieser Faktor sehr stark von einem Projekt und den eingesetzten Anlagentypen abhängig. Er kann

durchaus zwischen 8 und 40 liegen.

Seite 8

Das Medium Wasser zeigt einen großen Vorteil beim benötigten Installationsraum für das Lei-

tungsnetz auf. Bei reinen Luftsystemen wird meist ein großer Kanalquerschnitt und somit ein sehr

großer Platzbedarf auf Seiten Kanalnetz benötigt. Doch neuartige Luftsysteme können auch sehr

geringe Installationsräume benötigen. In neuen Gebäudekonzepten wird meist eine Kombination

von Freier Lüftung und wassergeführten Raumkühl- und Raumheizsystemen angewandt. Als

Transportsystem für die Luft wird hierbei die konzipierte Gebäudestruktur verwendet [REC2007].

Sehr große Unterschiede liegen bei den einzelnen Systemen in der Art des Energiebezuges vor.

Speziell geht es um die Auswahl der Energiequelle mit der das Transportmedium Luft oder Wasser

auf die gewünschte Systemtemperatur gebracht wird. Bei RLT-Anlagen erfolgt beispielsweise die

Kühlung und Entfeuchtung der Luft meist durch tiefe Temperaturen des Energiequellmediums (Vor-

lauftemperatur 6 °C, Rücklauftemperatur 12 °C). Solch tiefe Temperaturen werden meist mit ener-

gieaufwändigen Kälteanlagen erzeugt. Auf die Gesamtenergiebilanz von Klimatisierungssystemen

wirkt sich solch eine Systemverschaltung mit zusätzlichen Kälteanlagen oft negativ aus.

Um möglichst nachhaltige Energiesysteme zu erstellen, muss die der Art der Energiequelle und

deren Systemgrenzen bereits zu Beginn der Planung berücksichtigt werden. Ziel soll sein mög-

lichst natürliche Wärmequellen und –senken wie Geothermie oder Nachtluftkühlung in Klimatisie-

rungskonzepten zu verwenden.

2.2 Thermoaktive Bauteilsysteme (TABS)

Mit Thermoaktiven Bauteilsystemen (TABS) werden Gebäudestrukturen gekühlt oder beheizt. Die

bauteilintegrierten Rohrregister dienen dazu, das Raumklima komplett oder unterstützend zu ande-

ren Systemen zu konditionieren. Herausragende Merkmale von Thermoaktive Bauteilsystemen

sind die extrem großen wärmeübertragenden Flächen, die sie zu Strahlungsheizsystemen machen,

sowie das scheinbar unsichtbare Design. Denn die Bauteile sind meist in Decken, Wänden oder

Fußböden integriert und für den Nutzer optisch nicht wahrnehmbar. Sobald in Fällen der Kühlan-

wendung von Thermoaktive Bauteilsysteme mit Kälte aus dem Erdreich oder über einen Kühlturm

aus der Umgebungsluft versorgt werden, muss lediglich die Energie zur Verteilung aufgewendet

werden. In diesem Fall entfällt die Energieaufwendung zur Erzeugung der Kälte. Mit thermoaktiven

Bauteilsystemen können auch Gebäude mit niedrigem Wärmebedarf beheizt werden. Meist werden

thermoaktive Bauteilsysteme mit dem Arbeitsmedium Wasser gefahren. Die Unterteilung der

Thermoaktiven Bauteilsysteme erfolgt nach der jeweiligen Lage der Rohre im Bauteil. Im Folgen-

den werden die verschiedenen Arten und Aufbauten von Thermoaktiven Bauteilsystemen und de-

ren möglichen Energiequellen erläutert. Desweiteren wird speziell die Funktionsweise und das

dynamische Verhalten der Betonkernaktivierung dargestellt [BIN2007].

2.2.1 Arten und Aufbau von Thermoaktiven Bauteilsystemen (TABS)

In Abb. 2-4 sind verschiedene Systeme von Thermoaktiven Bauteilsystemen (TABS) dargestellt.

Die Unterscheidung erfolgt auf den Unterschieden in der jeweiligen Lage der Rohre im Bauteil. Das

Arbeitsmedium bei TABS ist meistens Wasser. Vorteilhaft hierbei ist, dass es zum Heizen als auch

Seite 9

zum Kühlen eingesetzt werden kann. Deshalb spricht man in Bereich von TABS von einer Tempe-

rierung, da je nach Anwendung vom Arbeitsmedium Wärme abgegeben, als auch aufgenommen

werden kann [BIN2007].

Abb. 2-4: Thermoaktive Bauteilsysteme (TABS): Kapillarrohrsystem integriert in Decken-putz, Betonkerntemperierung integriert in Betonkern, Fußbodentemperierung integriert in Estrich, Zwei-Flächen Bauteiltemperierung integriert in Deckenputz sowie im Betonkern. In Bezug zu [BIN2007]

Kapillarrohrsystem

Kapillarrohrsysteme werden meist oberflächennah in den Deckenputz, in den Wandputz oder gar in

Sonderfällen in den Fußbodenbelag integriert. Ein Kapillarrohrsystem besteht aus einem großflä-

chigem Rohrsystem (auch Kapillarrohrmatten bezeichnet), welches sich aus Kunststoffröhrchen mit

sehr kleinem Außendurchmesser (ca. 4 bis 6 mm) zusammensetzt. Die Kunststoffröhrchen mün-

den anschließend in größeren Verteil-/ Sammelrohren. Besonders bei Altbaumodernisierungen

kommen Kapillarrohrsysteme zum Einsatz, da sie eine geringe Aufbauhöhe besitzen und die vor-

handene Bausubstanz nicht in großem Maße verändert wird.

Betonkerntemperierung

Bei der Betonkerntemperierung werden die Rohrregister direkt in den Betonkern der Decken bzw.

Fußböden eingegossen. Als Rohrschlangen werden Kunststoffrohre oder Mehrschichtverbundroh-

re aus PE und Aluminium eingesetzt. Sie haben einen Durchmesser von 15 bis 20 mm. In Abstän-

den von 10 bis 30 cm liegen die Rohre in mittlerer Höhe der Betondecke. Die wesentliche Wärme-

abgabe erfolgt über die Decke (etwa 2/3) und nicht über den Boden (1/3), deshalb werden die

Rohrleitungen meist näher an den wärmewirksamen Deckenoberflächen fixiert. Ein bedeutendes

Merkmal bei der Betonkernaktivierung ist, dass die Gebäudestruktur bzw. Betonmasse zur thermi-

schen Speicherung von Energie genutzt wird. Bei Bedarf wird die gespeicherte Energie wieder an

den Raum abgegeben, bzw. die Energie des Raumes aufgenommen. Aufgrund der großen Spei-

chermasse liegt allerdings bei der Aufnahme und Abgabe der Energie eine hohe Trägheit vor. Für

das Zeitverhalten der Steuerungs- und Regelungstechnik ist entscheidend in welcher Position die

Rohrregister in der Betondecke angeordnet sind. Die Anordnung ermöglicht, lokal, unterschiedliche

Wärmeleistungen, zu unterschiedlichen Zeiten transportieren zu können. Aufgrund der hohen Auf-

bauhöhe (Position in der Mitte des Betons) wird die Betonkerntemperierung meist nur in Neubau-

ten eingesetzt [ENO2011], [BIN2007].

Seite 10

Fußbodentemperierung

Bei der Fußbodentemperierung werden die Rohrregister direkt in den Estrich des Fußbodens inte-

griert. Wie bei der Betonkerntemperierung werden meist Rohrschlangen aus Kunststoff eingesetzt.

Durch die oberflächennahe Positionierung wird versucht den größten Teil der Wärme direkt an den

Raum abzugeben und nicht in der Betonmasse des Fußbodens zu speichern. Allerdings liegt auch

bei diesem System durch seine große Rohrregister- bzw. Wärmeübertragungsfläche eine hohe

Trägheit vor.

Zwei-Flächen Bauteiltemperierung

Die Zwei-Flächen Bauteiltemperierung ist eine Kombination von Kapillarrohr und Betonkerntempe-

rierung. Die Kapillarrohre werden oberflächennah in den Putz integriert. Die Betonkernaktivierung

erfolgt durch Rohregister direkt im Betonkern. Durch diese Systemkombination wird eine höhere

Dynamik bei der Wärmeab- bzw. Wärmeaufnahme erreicht. Durch die doppelte Verrohrung liegen

allerdings die Investitionskosten deutlich höher als bei einem einfachen Thermoaktiven Bauteilsys-

tem.

2.2.2 Prinzip von Thermoaktiven Bauteilsystemen (TABS)

Alle Thermoaktiven Bauteilsysteme besitzen große Wärme übertragende Flächen (Rohrregister).

Diese bauphysikalische Gegebenheit ermöglicht es das Transportmedium (Wasser) mit ver-

gleichsweise geringen Temperaturdifferenzen gegenüber der Raumtemperatur zu fahren und den-

noch hohe Wärmeleistungen zu übertragen. Die übertragene Wärmeleistung ist das Produkt aus

Wärmeübertragender Fläche mit Wärmedurchgangskoeffizient (zwischen Transportmedium Was-

ser und Wärmemedium Luft) und der Temperaturdifferenz zwischen Transportmedium und Raum.

Verhältnismäßig niedrige Temperaturen beim Transportmedium bedeuten einen geringeren Ener-

gieaufwand bei der Energiebereitstellung und ermöglichen nachhaltige Energiequellen einzuset-

zen. Der große Nachteil bei großflächigen Wärmeübertragersystemen mit niedrigen Temperaturdif-

ferenzen ist das dynamische Verhalten. Solche Systeme haben eine hohe Trägheit. Plötzlich auf-

kommende Störungen (Temperaturabfall oder Temperaturerhöhungen) können mit heute üblicher

Steuer- und Regelungstechnik nur schlecht oder gar nicht entgegengewirkt werden [ENO2011],

[BIN2007].

2.2.3 Energiequellen, Energiebereitstellung bei Thermoaktiven Bauteilsystemen (TABS)

Durch die großen Wärme übertragenden Flächen werden Thermoaktive Bauteilsysteme mit gerin-

gen Temperaturdifferenzen zur Raumtemperatur gefahren. Bei TABS liegen die Kühlwassertempe-

raturen meist im Bereich zwischen 18 und 22 °C. Es sind Kondensationserscheinungen zu vermei-

den, meist wird deshalb eine absolute Temperaturuntergrenze von 17 °C gewählt. Die Heizwasser-

temperaturen liegen maximal im Bereich zwischen 27 und 29 °C. Vergleichsweise liegen die Heiz-

wassertemperaturen bei Heizkörpersystemen im Bereich bei 65 °C bis 75 °C. Diese extrem niedri-

gen Temperaturen bei Thermoaktiven Bauteilsystemen ermöglichen es natürliche Wärmequellen

(Heizfall) und Wärmesenken (Kühlfall) wie beispielsweise das Erdreich, das Grundwasser oder die

Außenluft zum Einsatz zu bringen.

Seite 11

Je nach örtlichen Gegebenheiten kommen unterschiedliche Systeme für den Energiebezug zum

Einsatz. Auszugsweise können dies in Anlehnung an [ENO2011], [BIN2007] folgende sein:

• Erdsonden

Erdverlegtes Sondensystem, dass in ein 50 bis 100 m tiefes Bohrloch eingelassen wird, Je

nach Jahreszeit wird Wärme an das Erdreich abgegeben oder vom Erdreich aufgenom-

men.

• Energiepfähle

Gründungspfähle eines Gebäudes, die 20 bis 30 m in den Boden reichen und als Erdwär-

mesonden genutzt werden.

• Bodenplatten

Über geeignete Verrohrung der Bodenplatte kann in bestimmtem Umfang Wärme an das

Erdreich abgeführt oder vom Erdreich aufgenommen werden.

• Rückkühlwerke

Wärme kann auch über ein Rückkühlwerk an die Außenluft abgegeben werden. Hierfür

sind Trocken- und Nasskühltürme geeignet. Im Unterschied zum Erdreich kommt hier die

Außenluft im Winter nicht als Wärmequelle in Frage.

• Grundwasser

Bohrungen bis in wassertragende Schichten, um an Grundwasser zu gelangen. Grund-

wasser besitzt ganzjährig eine Temperatur zwischen 8 bis 12 °C. Es ist somit eine gute

Wärmequelle bzw. –senke.

2.2.4 Funktionsprinzip und dynamisches Verhalten der Betonkerntemperierung

Um die Vorgänge der Betonkernaktivierung zu beschreiben, werden die Begriffe „Laden“, „Spei-

chern“ und „Entladen“ verwendet. Im Folgenden werden diese Begriffe erläutert und schematisch

der Heizfall und Kühlfall dargestellt.

Der Ladevorgang bezeichnet das thermische Be- und Entladen der Betondecke für Heiz- und

Kühlvorgänge. Dies geschieht durch Zirkulation von warmem oder kaltem Wasser durch die im

Bauteil integrierten Rohrregister. Der Wassermassenstrom gibt je nach Wassertemperatur und

Betondeckentemperatur Wärme ab oder nimmt sie auf. Die Parameter der Steuerung dieses Vor-

gangs sind:

• Wasservorlauftemperatur (TVL),

• Rücklauftemperatur (TRL),

• Wassermassenstrom (�̇�),

• Ladezeit (tPumpe).

Seite 12

Die größte Schwierigkeit besteht darin, das dynamische Verhalten des Betonkerntemperierungs-

systems auszureichend in der Steuerungsautomation zu berücksichtigen. Es muss ausreichend

Wärme- bzw. Kälteenergie für die am folgenden Tag zu erwartenden thermischen Lasten im Bau-

teil eingelagert werden. Nur so ist es möglich mit minimalstem Energieeinsatz den Raum zu tempe-

rieren. Gelingt es nicht exakte Vorhersagen bezüglich Wärme- bzw. Kältebedarf eines Raumes

zu treffen, kommt es systembedingt zu Ladereserven (Überladung) und einem erhöhten Energie-

einsatz. Aus erhöhten Ladereserven entstehen Überhitzungen oder Unterkühlungen der Räume.

Dies bedeutet Komforteinbußen für den Nutzer, was sich mit Unbehagen im Temperaturempfinden

wiederspiegelt [BIN2007].

Das Speichern ist die zeitliche Differenz zwischen Energieangebot und Energiebedarf. Mit der

thermisch aktivierten Betondecke können teilweise zeitliche Verschiebungen von thermischen Las-

ten bis in die Nachtstunden (meist keine Personenbelegung) erzeugt werden. Durch solare Ein-

strahlung, Personen und Geräteabwärme (innere Lasten) fällt oft überschüssige Wärme in Räumen

an. Diese überschüssige Wärme wird von der gekühlten Betondecke aufgenommen und „zwi-

schengespeichert“. Als Resultat erhöht sich die mittlere Bauteiltemperatur. Durch diesen Anstieg

erfolgt parallel ein Anstieg der operativen Raumtemperatur (Mittelwert aus Luft- und Strahlungs-

temperatur). Aufgrund der großen thermischen Speichermasse wird der Temperaturanstieg aller-

dings stark gedämpft [BIN2007].

Das Entladen bezeichnet die Abgabe an beziehungsweise die Aufnahme der eingelagerten Wär-

me aus dem Raum. Mit dem Entladen beginnt somit die Konditionierung des Raums. Der Entlade-

vorgang geschieht zu 60 % über Abgabe von Strahlungswärme und zu 40 % über Abgabe von

Konvektionswärme an den Raum. Aufgrund der sehr großen Systemträgheit ist eine raumbezoge-

ne, schnelle Temperaturregelung nicht möglich. Der Raumnutzer hat nicht die Möglichkeit direkt in

den Entladungsprozess einzugreifen [BIN2007].

In Abb. 2-5 ist das Schema eines Kühlfalles (vgl. Situation heißer Sommertag) dargestellt. Der

Kühlfall bedeutet, dass die Raumtemperatur über der Deckenoberflächentemperatur liegt. Durch

eine hohe solare Einstrahlung und große Transmissionswärmegewinne von Außen wird der Raum

ungewollt aufgeheizt. Die Betondeckenmasse ist bereits mit Kälteenergie beladen. Dies bedeutet

die Betondecke wurde in der Nacht zuvor mit kaltem Wasser zirkuliert und abgekühlt. Zu Zeiten der

hohen thermischen Lasten entlädt die Betondecke ihre gespeicherte Kälteenergie und entzieht

somit dem Raum überflüssige thermische Lasten. Der Raum wird gekühlt.

Seite 13

Abb. 2-5: Schema Kühlfall (Flächenkühlung): Betonkernaktivierung wird verwendet, um die inneren thermischen Lasten abzuführen und somit ein angenehmes Raumklima für den Nut-zer zu erschaffen. Blaues Rohrregister wird mit kaltem Wasser durchströmt und kühlt somit die Betondecke (Betonmasse) herab. Die Betondecke wird mit „Kälteenergie“ beladen. Es erfolgt eine Wärmeleitung von Rauminneren zur Betondecke, bzw. zum Rohrregister. Die internen Lasten werden abgeführt.

Abb. 2-6: Schema Heizfall (Flächenheizung): Betonkernaktivierung wird verwendet, um den Raum aufzuheizen und somit ein angenehmes Raumklima für den Nutzer zu erschaffen. Rotes Rohrregister wird mit warmen Wasser durchströmt und erwärmt somit die Betonde-cke (Betonmasse) auf. Die Betondecke wird mit „Wärmeenergie“ beladen. Es erfolgt eine Wärmeleitung von Rohrregister bzw. Betondecke zur Raumluft. Die Raumluft wird erwärmt.

Seite 14

In Abb. 2-6 ist das Schema eines Heizfalles (vgl. Situation kalter Wintertag) dargestellt. Der Heiz-fall bedeutet, dass die Raumtemperatur unter der Deckenoberflächentemperatur liegt. Dies kann

unter anderem durch große Transmissionswärmeverluste nach Außen geschehen, der Raum ist zu

kühl. Die Betondeckenmasse ist bereits mit Wärmeenergie beladen. Dies bedeutet die Betondecke

wurde in der Nacht zuvor mit warmem Wasser zirkuliert und aufgeheizt. Bei Wärmebedarf entlädt

die Betondecke ihre gespeicherte Wärmeenergie und gibt somit an den Raum einen Wärmestrom

ab. Der Raum wird aufgeheizt.

Der Selbstregeleffekt entsteht durch geringe Temperaturunterschiede zwischen aktiver Bauteil-

oberfläche, weiteren Oberflächen im Raum wie zum Beispiel Wände und der Raumluft. Die Ober-

flächentemperaturen der thermisch aktivierten Betondecke bewegen sich üblich zwischen ca.

21 °C und 25 °C. Eine Flächenkühlung (Kühlfall) tritt ein, sobald die Raumtemperatur oder eine der

Oberflächentemperaturen über der Deckenoberflächentemperatur liegen. Eine Flächenheizung

(Heizfall) tritt ein, sobald die Raumtemperatur oder eine der Oberflächentemperaturen unter der

Deckenoberflächentemperatur liegt. Die Temperaturverhältnisse können sich über den Tag verän-

dern. So kann beispielsweise morgens bei nichtbelegtem Raum (wenige Personenlasten, elektri-

sche Geräte, etc.) eine Deckenoberflächentemperatur von 20 °C und eine Raumtemperatur von

18 °C vorliegen. Diese Temperaturdifferenz verursacht ein Beheizen des Raumes. Im Laufe des

Tages erhöht sich die Raumtemperatur auf 21 °C, da immer mehr äußere und innere Lasten den

Raum aufheizen. Die Deckenoberfläche hat weiterhin eine Temperatur von 20 °C. Nun liegt eine

umgekehrte Temperaturdifferenz von Raum zu Deckenoberfläche vor, der Kühlfall tritt ein. Diese

Gegebenheit wird Selbstregeleffekt bezeichnet, da die Wärmeübertragung „ein Stück weit“ selbst

geregelt wird [BIN2007].

Der Selbstregeleffekt reicht allerdings nicht aus, um ein Thermoaktives Bauteilsystem bedarfsopti-

miert und energieeffizient zu steuern oder zu regeln. Meist werden Thermoaktive Bauteilsysteme

gesteuert und nicht geregelt, da Thermoaktive Bauteilsysteme je nach Regelparameter für einen

geschlossenen Regelkreis zu träge sind. Heutzutage gibt es verschiedene Betriebsverfahren mit

denen Thermoaktive Bauteilsysteme gesteuert werden. Im folgenden Abschnitt werden die heute

üblichen Steuerungs- und Regelungsverfahren im Bereich der Thermoaktiven Bauteilaktivierung

erläutert und hinsichtlich Energieeinsparpotenziale bewertet. Anschließend erfolgt eine Übersichts-

darstellung der vorhandenen Optimierungs- und Energieeinsparpotenziale im Bereich der Reg-

lungsverfahren. Zum Schluss werden bekannte prädiktive Steuer- und Regelungsverfahren aus der

Gebäudeautomation aufgezählt.

Seite 15

3 Potenzialanalyse bzgl. Einsatz von prädiktiven Betriebsverfah-ren in der Gebäudetechnik


3.1 Steuer- und Regelungsverfahren im Bereich von Thermoaktiven Bauteilsystemen

Bei Thermoaktiven Bauteilsystemen werden meist keine herkömmlichen Regelungsverfahren ein-

gesetzt. Die Regelstrecke TABS weist dabei große Verzögerungszeiten (Systemträgheit) auf be-

dingt durch die enormen zu erwärmenden thermischen Massen der Betonteile. Die Schwierigkeit

besteht darin plötzlichen Temperaturänderungen im Raum, die durch thermische Laständerungen

(Solare Gewinne, interne Gewinne, etc.) resultieren, entgegenzuwirken. Bei herkömmlichen Regel-

verfahren, werden diese Störgrößen durch schnelle Änderungen bei der Heiz- oder Kühlleistung

ausgeregelt. Bei Thermoaktiven Bauteilsystemen ist es nicht möglich durch Stellgrößenverände-

rungen solche Störgrößen dynamisch aus zu regeln.

Folgende Fragen gilt es zu erörtern:

• Welche Steuer- und Regelstrategien werden bei Thermoaktiven Bauteilsystemen ange-

wandt?

• In welchem Maße kann die Steuerung/Regelung thermischen Störeinflüssen entgegen wir-

ken?

• Welche Auswirkungen haben die Steuer- und Regelstrategien auf den thermischen Kom-

fort im Raum?

• Wie wirken sich die Steuer- und Regelstrategien auf die Energieaufwendung aus?

Um Antworten auf die oben genannten Fragen zu finden, werden im Folgenden die üblichen Be-

triebsweisen, sowie Steuerungs- und Regelungsverfahren von Thermoaktiven Bauteilsystemen

dargestellt.

Die Dauer der Energiebeladung mit Wärme- oder Kälteenergie wird mit der Betriebsweise charak-

terisiert. Meist werden die Betriebsweise „Tag-Nacht-Betrieb“, der „Durchgehende Betrieb“ oder

der „Taktbetrieb“ angewandt.

Beim Tag-Nacht-Betrieb wird das thermoaktive Bauteil nachts, außerhalb der Nutzungszeit, mit

Wärme- oder Kälteenergie beladen. Bei diesem Ladevorgang steht nur eine begrenzte Ladezeit

zur Verfügung. Zugleich muss genügend Speicherkapazität (bspw. Betonmasse) vorhanden sein,

um die Decke soweit aufzuheizen oder abzukühlen, damit tagsüber ausreichend Energie zur Ver-

fügung steht. Real ist dies kaum möglich. Meist wird mehr Energie als erforderlich gespeichert und

zugleich eine erhöhte Schwankungsbreite bei der Raumtemperatur zugelassen. In Abb. 3-1 ist

Seite 16

schematisch die Pumpenbetriebszeit für einen Tag-Nacht-Betrieb dargestellt. In der Praxis variiert

je nach Anwendungsfall die Start und Stopp Zeit [BIN2007].

Abb. 3-1: Thermoaktive Bauteilsysteme: Betriebsweise Tag-Nacht-Betrieb, Darstellung der Pumpenbetriebslaufzeit für einen Tag

Beim Durchgehenden Betrieb erfolgt die Beladung des thermoaktiven Bauteils, wie der Name

bereits verrät, 24 Stunden durchgehend. Hierzu muss allerdings die Wärmequelle oder Wärme-

senke durchgehend zur Verfügung stehen. Der durchgehende Betrieb ist in Abb. 3-2 dargestellt

und zeichnet sich mit einer langen Pumpenlaufzeit und somit hohem Pumpenenergieaufwand aus

[BIN2007].

Abb. 3-2: Thermoaktive Bauteilsysteme: Betriebsweise Durchgehender Betrieb, Darstellung der Pumpenbetriebslaufzeit für einen Tag

Seite 17

Beim Taktbetrieb erfolgt die Beladung des Bauteils in vordefinierten Zeitintervallen. Die Größe des

Zeitintervalls hängt stark vom angewandten Steuerungs- oder Regelungsverfahren ab. Eine Tak-

tung erbringt Vorteile bei der aufzuwendenden Transportenergie (Pumpenenergieaufwand). Mit der

Taktung wird die Nettolaufzeit der Pumpe verringert. Allerdings muss das Management der Tak-

tung an die Gebäudecharakteristik angepasst sein, damit zu Zeiten ohne Betrieb ausreichend Leis-

tung zur Temperierung zur Verfügung steht. In Abb. 3-3 ist eine kontinuierliche Pumpentaktung mit

Laufzeitintervallen von einer Stunde dargestellt. In Abb. 3-4 ist beispielhaft eine diskontinuierliche

Pumpentaktung dargestellt. Die diskontinuierliche Pumpentaktung erfolgt auf Basis Regelungsab-

hängiger Stellgrößenänderungen oder durch Vorgaben eines definierten Lademanagements. Bei

den bisherig eingesetzten Regelverfahren findet sie jedoch fast keine Anwendung.

Abb. 3-3: Thermoaktive Bauteilsysteme: Betriebsweise kontinuierlicher Taktbetrieb, Darstel-lung der Pumpenbetriebslaufzeit für einen Tag

Abb. 3-4: Thermoaktive Bauteilsysteme: Betriebsweise diskontinuierlicher Taktbetrieb, Dar-stellung der Pumpenbetriebslaufzeit für einen Tag

Seite 18

Angewandte Steuer-/Regelungsverfahren im Bereich der thermoaktiven Bauteilsysteme sind:

(A) Vorlauftemperaturreglung als Funktion der Außentemperatur

Die Vorlauftemperatur wird witterungsbedingt geregelt. Das bedeutet sie wird anhand der

realen Außentemperatur geführt. Der Vorlauftemperatursollwert wird gemäß einer Heiz-

bzw. Kühlkennlinie bei entsprechender Außentemperatur eingestellt. In Abb. 3-5 ist ein

Beispiel einer möglichen Heiz- bzw. Kühlkennlinie für Vorlauftemperaturregelung als Funk-

tion der Außentemperatur dargestellt. In Tabelle 3-1 sind die Sensoren für diese Regelung

aufgelistet und desweiteren wird die Systemdynamik, der Energieverbrauch und der Kom-

fort bewertet.

Abb. 3-5: Schema einer Heiz- bzw. Kühlkennlinie für die Vorlauftemperaturregelung bei Thermoaktiven Bauteilsystemen. Die Vorlauftemperaturregelung geschieht als Funktion der Außentemperatur. In Bezug zu [TÖD2009]

Seite 19

Tabelle 3-1: Bewertung, Regelung der Vorlauftemperatur als Funktion der Außentemperatur

Sensoren • TVL (Temperatur Vorlaufwasser)

• TA (Temperatur Außenluft)

Dynamik (-) (-) sehr träge, systembedingt

• Schnelle Erfassung in der Änderung der Außentemperatur.

• Keine Berücksichtigung der solaren Strahlung oder interne Lasten.

• TVL wird somit durch „falsche“ oder „fehlerhafte“ Information geregelt.

• Lange Zeitdauer zwischen Erfassung der Laständerung und der Leistungs-

änderung (Erreichen des neuen Sollwert TVL).

Energie (-) (-) Energiebezug bei kontinuierlichem Betrieb sehr hoch

• Der Tagesgang der Außentemperatur verursacht starke Schwankungen in

der Vorlauftemperatur.

Hohe Leistungsspitzen, große, unnötige Energiebeladung

Häufiges Umschalten zwischen Heizen und Kühlen

Komfort (-) (-) Neigung zu großen Überhitzungen und Unterkühlungen

• Keine konstanten Raumtemperaturen.

• Hohe Wechselrate zwischen Heizen und Kühlen.

• Trägheit verursacht evtl. zeitlichen Drift der behaglichen Raumtemperaturen

in Bereiche außerhalb der Nutzungszeit.

(B) Vorlauftemperaturregelung als Funktion der gleitenden Außentemperatur der letzten 24 Stunden

Meist erfolgt die Wärmeabgabe des Rohrregistersystems träger als der Wärmetransport

durch die Fassade. Schnellen Wechseln in der Außentemperatur und somit des Wär-

metransport durch die Fassade können nicht kompensiert werden. Bei einer herkömmli-

chen Außentemperaturgeführten Vorlauftemperaturregelung verursachen große Schwan-

kungen in der Außentemperatur große Schwankungen bei der Vorlauftemperatur. Diese

wiederum führen zu großen Überhitzungen und Unterkühlungen der zu konditionierenden

Räume.

Mit einer Regelung der Vorlauftemperatur anhand des gleitenden Mittelwerts der Außen-

temperatur kann diesem Problem entgegengewirkt werden. Der gleitende Mittelwert der

Außentemperatur wird über die letzten 24 Stunden gebildet. Somit hängt die Vorlauftempe-

ratur immer noch von der Außentemperatur ab. Durch die Mittelung der Außentemperatur

der letzten 24 Stunden entsteht eine Verzögerung bezüglich der Reaktion auf starke Au-

ßentemperaturänderungen (z.B. extremer Temperaturanstieg). Durch diese „gedämpfte“

Führung wird erreicht, dass die Vorlauftemperatursollwertänderungen verhältnismäßig

klein ausfallen. Hierdurch wird der Wechsel zwischen Heizen und Kühlen reduziert. Im Mit-

tel wird die benötigte Energie annähernd korrekt zu- oder abgeführt.

Seite 20

In Tabelle 3-2 sind die Sensoren für diese Regelung aufgelistet und desweiteren wird die Sys-

temdynamik, der Energieverbrauch und der Komfort bewertet [TÖD2009].

Tabelle 3-2: Bewertung, Regelung der Vorlauftemperatur als Funktion des Mittelwerts der gleitenden Außentemperatur der letzten 24 Stunden



Dynamik (-) träge, Dynamikanpassung durch Mittelwertbildung (keine Peaks)

• Änderungen in der Außentemperatur werden gemittelt (24 Stunden).

• Keine Berücksichtigung der solaren Strahlung oder interne Lasten.


änderung (Erreichen des neuen Sollwert TVL).

Energie (±) Energiebezug bei kontinuierlichem Betrieb hoch

• Der Tagesgang der Außentemperatur wird berücksichtigt, allerdings durch

Mittelung stark geglättet.

Reduktion der Leistungsspitzen.

Reduktion des Umschalten zwischen Heizen und Kühlen.

Komfort (-) Weniger Überhitzungen und Unterkühlungen

• Geringe Wechselrate zwischen Heizen und Kühlen.

• Reduktion der Über- bzw. Unterschreitungen im Raumtemperaturkomfortbe-

reich.

• Trägheit des Systems und Information über die letzten 24 Stunden Mittelung

verursacht evtl. geringe zeitliche Drifte von behaglichen Raumtemperaturen


(C) Rücklauftemperaturregelung als Funktion der Außentemperatur

Die Rücklauftemperaturregelung regelt die Rücklauftemperatur witterungsbedingt. Das be-

deutet sie wird anhand der realen Außentemperatur geführt. In der Rücklauftemperatur

sind Informationen über die Störgröße „aktuelle Wärmegewinne“ (Raumtemperaturände-

rungen) im zu konditionierenden Raum enthalten. Mit der Regelung der Rücklauftempera-

tur können somit die Unsicherheiten bzgl. auftretender Wärmegewinne besser bewerkstel-

ligt werden. Bei dieser Art der Regelung besteht das Potenzial kleinere Raumtemperatur-

komfortbereiche zuzulassen als es mit einer Vorlautemperaturregelung möglich wäre.

In Abb. 3-6 ist ein Beispiel einer möglichen Heiz- bzw. Kühlkennlinie für eine Rücklauftem-

peraturregelung als Funktion der Außentemperatur dargestellt. Aufgrund der Temperatur-

differenz von Vorlauftemperatur zu Rücklauftemperatur verlaufen die Heiz- bzw. Kühlkenn-

linien für Rücklauftemperatursollwerte „flacher“ als diejenigen für die Vorlauftemperatur-

sollwerte. In Tabelle 3-3 sind die Sensoren für diese Regelung aufgelistet und desweiteren

wird die Systemdynamik, der Energieverbrauch und der Komfort bewertet [TÖD2009].

Seite 21

Abb. 3-6: Schema einer Heiz- bzw. Kühlkennlinie für die Rücklauftemperaturregelung bei Thermoaktiven Bauteilsystemen. Die Rücklauftemperaturregelung geschieht als Funktion der Außentemperatur. In Bezug zu [TÖD2009]

Seite 22

Tabelle 3-3: Bewertung, Regelung der Rücklauftemperatur als Funktion der Außentempera-tur

Sensoren • TRL (Temperatur Rücklaufwasser)




• Berücksichtigung der solaren Strahlung und internen Lasten (als Information

in der Rücklauftemperatur).


änderung (Erreichen des neuen Sollwert TRL).

Energie (-) Energiebezug bei kontinuierlichem Betrieb sehr hoch

• Der Tagesgang der Außentemperatur verursacht starke Schwankungen in

dem Rücklauftemperatursollwert.

Häufiges Umschalten zwischen Heizen und Kühlen

Hohe Leistungsspitzen, große, unnötige Energiebeladung

Komfort (-) Neigung zu vermehrten Überhitzungen und Unterkühlungen

• Information über Raumtemperatur (-änderungen) in Rücklauftemperaturver-

lauf enthalten.

• Keine „konstanten“ Raumtemperaturen.

• Hohe Wechselrate zwischen Heizen und Kühlen.



(D) Rücklauftemperaturregelung als Funktion der gleitenden Außentemperatur der let-zen 24 Stunden Die Rücklauftemperaturregelung als Funktion der gleitenden Außentemperatur der letzten

24 Stunden ist vergleichbar mit der Vorlauftemperaturregelung als Funktion der gleitenden

Außentemperatur der letzten 24 Stunden.

Mit einer Regelung der Rücklauftemperatur anhand des gleitenden Mittelwerts der Außen-

temperatur wird vermieden, dass schnelle Wechsel in der Außentemperatur zu schnellen

Wechseln bei Sollwertparametrierung führen.

Der gleitende Mittelwert der Außentemperatur wird über die letzten 24 Stunden gebildet.

Somit hängt die Rücklauftemperatur immer noch von der Außentemperatur ab. Durch die

Mittelung der Außentemperatur der letzten 24 Stunden entsteht eine Verzögerung bezüg-

lich der Reaktion auf starke Außentemperaturänderungen (z.B. extremer Temperaturan-

stieg). Durch dieses „gedämpfte“ Verhalten wird erreicht, dass die Rücklauftemperatursoll-

wertänderungen verhältnismäßig klein ausfallen. Hierdurch wird der Wechsel zwischen

Heizen und Kühlen reduziert. Im Mittel wird die benötigte Energie annähernd korrekt zu-

oder abgeführt.

Seite 23

In Tabelle 3-4 sind die Sensoren für diese Regelung aufgelistet und desweiteren wird die

Systemdynamik, der Energieverbrauch und der Komfort bewertet. [TÖD2009]

Tabelle 3-4: Bewertung, Regelung der Rücklauftemperatur als Funktion des Mittelwerts der gleitenden Außentemperatur der letzten 24 Stunden

Sensoren • TRL (Temperatur Rücklaufwasser)


Dynamik (-) träge, Dynamikanpassung durch Mittelwertbildung (keine Peaks)

• Änderungen in der Außentemperatur werden gemittelt (24 Stunden)

• Berücksichtigung der solaren Strahlung oder interne Lasten (Als Information



änderung (Erreichen des neuen Sollwert TRL).

Energie (±) Energiebezug bei kontinuierlichem Betrieb hoch

• Der Tagesgang der Außentemperatur wird berücksichtigt, allerdings durch

Mittelung stark geglättet

Reduktion der Leistungsspitzen

Reduktion des Umschalten zwischen Heizen und Kühlen

Komfort (±) Weniger Überhitzungen und Unterkühlungen

• Geringe Wechselrate zwischen Heizen und Kühlen.

• Reduktion der Über- bzw. Unterschreitungen im Raumtemperaturkomfortbe-

reich.

• Information über Raumtemperatur (-änderungen) in Rücklauftemperaturver-

lauf enthalten.

• Trägheit des Systems und Information über die letzten 24 Stunden Mittelung

verursacht evtl. geringe zeitliche Drifte von behaglichen Raumtemperaturen


(E) Außentemperaturgeführte Regelung des Mittelwerts zwischen Vorlauf- und Rück-laufwassertemperatur Diese Art der Regelung ist eine „Verknüpfung“ von Regelstrategie (A) und Regelstrategie

(C). Die mittlere Wassertemperatur ist der gebildete Mittelwert von Vorlaufwassertempera-

tur und Rücklaufwassertemperatur.

𝑇𝑚𝑊 =12∙ (𝑇𝑉𝐿 + 𝑇𝑅𝐿)

Die internen Raumkonditionen beeinflussen durch die Wärmeübertragung den Wert der

Wasserrücklauftemperatur. Beispielsweise wird bei einem Kühlvorgang die Wasserrück-

lauftemperatur ansteigen, wenn interne Lasten und äußere Lasten die Raumtemperatur

Seite 24

anheben. Ein Anstieg der Raumtemperatur führt zu einer erhöhten Temperaturdifferenz

zwischen Raumluft und Betondecke und erhöht den Wärmeabtransport und somit letztlich

die Rücklaufwassertemperatur, welche erfasst wird.

Um nun solchen internen Lasten entgegenzuwirken muss die Vorlaufwassertemperatur

herabgesenkt werden. Eine Regelung der mittleren Wassertemperatur auf einen konstan-

ten Wert hätte zu Folge, dass ein Anstieg der Rücklaufwassertemperatur automatisch

durch eine Abnahme der Vorlauf-Temperatur kompensiert wird. Somit wird die Kühlleistung

der Laständerung angepasst, allerdings zeitlich versetzt. In Tabelle 3-5 sind die Sensoren

für diese Regelung aufgelistet und desweiteren wird die Systemdynamik, der Energiever-

brauch und der Komfort bewertet [VEL2002].

Tabelle 3-5: Bewertung, Regelung der Außentemperaturgeführte Regelung des Mittelwerts zwischen Vorlauf- und Rücklaufwassertemperatur


• TRL (Temperatur Rücklaufwasser)




• Berücksichtigung der solaren Strahlung und internen Lasten (als Information


• Sehr kleine Änderung bei der Kühlleistung/Heizleistung, durch geringe Än-

derung von TVL.


änderung.

Energie (-) Energiebezug bei kontinuierlichem Betrieb hoch

• Einer geringen Energieabgabe durch kleine Temperaturdifferenzen steht bei

einem bei kontinuierlichem Betrieb ein hoher Pumpenenergieaufwand ge-

genüber.

Komfort (-) (-) Neigung zu vermehrten Überhitzungen und Unterkühlungen

• Aufgrund der sehr kleinen Leistungsänderungen ist System oft zu träge um

Laständerungen rechtzeitig entgegenzuwirken.

• Vermehrte Über- bzw. Unterschreitungen des Raumtemperaturkomfortban-

des (keine „konstanten“ Raumtemperaturen).



(F) Raumtemperaturregelung (Ergänzungsregelstrategie)

Durch die hohe Trägheit der Thermoaktiven Bauteilsystemen ist eine konventionelle

Raumtemperaturregelung nicht möglich. Die Raumtemperaturreglung ist somit eine ergän-

zende Regelstrategie zu den zuvor erläuterten Regelungsstrategien ((A) bis (E)). Mit einer

Raumtemperaturreglung kann innerhalb einer Zone eine Beeinflussung der Wirkungsweise

Seite 25

der Thermoaktiven Bauteilsysteme realisiert werden. Hierzu müssen allerdings ausrei-

chend Raumtemperatursensoren installiert sein. Wichtig ist, dass die Raumtemperatur-

sensoren richtig platziert sind.

Mit der Raumtemperaturregelung wird der untere und obere Raumtemperatursollwert kor-

rigiert. Die Raumtemperaturregelung versucht sozusagen den Raumtemperatursollwert so

festzulegen, dass mit minimaler Änderung der Heizleistung oder Kühlleistung die Raum-

temperatur im Komfortbereich bleibt. In Tabelle 3-6 sind die Vor- und Nachteile dieser Er-

gänzungsregelungsstrategie dargestellt. Sie variieren stark mit der eingesetzten Basisre-

gelstrategie [TÖD2009].

Tabelle 3-6: Vor- und Nachteile der Ergänzungsregelungsstrategie Raumtemperaturregelung

Nachteile - Bei falscher Platzierung des Raumtemperatursensors kann sich der Komfort

im Raum verschlechtern (Sensor muss so platziert sein, dass Bei Betrieb

des Thermoaktiven Bauteilsystems jederzeit eine aussagekräftige Raum-

temperatur gemessen wird.)

- Aufgrund der Systemträgheit wirken die Korrekturen der Raumtemperatur-

regelung stark verzögert. Dies bedeutet, von Tag zu Tag liegen geringe

Verbesserungen vor. Kurzfristige Verbesserungen sind nicht möglich.

Vorteile + Bei fehlerhaft eingestellten Heiz- und Kühlkennlinien kann der Komfort

durch diese Regelungsergänzung verbessert werden

+ Durch diese Regelungsergänzung kann der Aufwand zur Inbetriebnahme

und vor allem der Aufwand der Betriebsoptimierung reduziert werden

+ Die Raumtemperaturregelung passt sich langsam, bis dato nicht voraus-

sagbaren Änderungen der Wärmegewinne an. Hierdurch kann die Energie-

effizienz durch Ausnützen des vollen Komfortbandes und Reduktion der

Umschaltungen zwischen Heizen und Kühlen verbessert werden.

[TÖD2009]

(G) Taktbetrieb der Pumpe (Ergänzungsregelstrategie)

Der Taktbetrieb ist eine Ergänzungsregelstrategie und kann mit den zuvor beschriebenen

Regelstrategien ((A) bis (E)) kombiniert werden. Bei Aufschaltung eines Taktbetriebs ver-

ändert sich die Betriebsweise von Dauerbetrieb zu Taktbetrieb. Die Pumpe wird in Interval-

len betrieben. Zu beachten ist, dass diese Ergänzungsregelstrategie auf die Basisregel-

strategie angepasst werden muss. Die Grundidee des Taktbetriebs ist, dass den Thermo-

aktiven Bauteilsystemen kurzzeitig höhere Leistungen zugeführt werden als es im Dauer-

betrieb erforderlich wäre. Anschließend erfolgen „Stopp-Phasen“ in denen die Pumpe/n

ausgeschalten sind und somit keine Leistungszufuhr vorliegt. Diese Betriebsweise ermög-

licht es die aufzuwendende elektrische Hilfsenergie für die Pumpen zu senken. Die

Schwierigkeit der Regelungstechnik besteht darin, die Vorlauftemperatursollwerte des

Dauerbetriebs in solche für den Taktbetrieb mit kürzerer Laufzeit umzurechnen [TÖD2009].

Seite 26

Tabelle 3-7: Vor- und Nachteile der Ergänzungsregelungsstrategie Taktbetrieb

Nachteile - Durch den Taktbetrieb erfolgt eine Verschlechterung des Komforts. Wäh-

rend der Ausschaltphasen wird evtl. unzureichend Energie zu- oder abge-

führt. Diese muss in den Einschaltphasen durch höhere Leistungsabgaben

ausgeglichen werden. Höhere Leistungsabgaben werden nur mit größeren

Temperaturdifferenzen zwischen Raumtemperatur und Vorlauftemperatur

erzielt. Hieraus werden zugleich der Selbstregeleffekt und auch das thermi-

sche Raumkomfort negativ beeinflusst.

- Es ist schwierig die Zonenvorlauftemperatur im Taktbetrieb zu regeln: Ziel

ist es kurze Einschwingphasen zu erhalten, wofür ein schnelles und korrek-

tes Regelverhalten von den Reglern abverlangt wird. Durch die verkürzten

Betriebsintervalle und die große Systemträgheit wird dies allerdings nur er-

schwert möglich.

- Schwierig ist der Betrieb im Übergangsbereich zwischen Heizen und Kühlen

beim Taktbetrieb. Sobald Umschaltvorgänge zwischen Heizen und Kühlen

kurz aufeinanderfolgen wird meist „Energie“ ineffizient genutzt. Dies bedeu-

tet, dass die Energie die Räume nicht vollständig erreicht.

Vorteile + Verbesserung der Energieeffizienz durch Reduktion der Pumpenlaufzeit.

+ Es besteht das Potenzial der Vereinfachung von hydraulischen Schaltun-

gen, da durch den Taktbetrieb Ventile zur Regelung „eingespart“ werden

können. Hierdurch können die Investitionskosten reduziert werden.

+ Steigerung der Energieeffizienz durch Verschiebung der Einschaltphasen

in Zeiten, in denen Energie effizienter erzeugt bzw. abgeführt werden kann.

Dieser Vorteil variiert allerdings stark mit der Art der Energiequelle.

+ Reduktion von elektrischen Energiekosten, durch Verschiebung der Ein-

schaltphasen in Zeiten, in denen die Beladungsenergie kostengünstiger

transportiert, erzeugt bzw. abgeführt werden kann. (Bspw. Ausnutzung von

Nachtstromtarifen)

+ Durch den Taktbetrieb kann die Zeit des Energiebezugs beispielsweise in

die Nacht verschoben werden. Hierdurch kann die Anlagengröße der Ener-

giequelle (Bspw. Kältemaschine) reduziert werden, da nun der Gleichzei-

tigkeitsfaktor bei der Energieabnahme geringer ist. Beispielsweise wird

nachts die Energie für die Thermoaktiven Bauteilsysteme verwendet und

tagsüber die Energie zum Betreiben von Raumlufttechnischen Anlagen.

Diese Reduktion der Anlagengröße macht sich besonders bei den Ge-

samtinvestitionen bemerkbar.

[TÖD2009]

Seite 27

3.2 Stand der Technik bzgl. prädiktiver Steuer- und Regelungsverfah-ren in der Gebäudeautomation

1. Modellbasierte prädiktive Regelungen in der Heizungs- und Klimatisierungstechnik (a) Hans Rudolf Gabathuler, Mikael Bianchi, Esfandiar Shafai: „Pulsbreitenmodulation für

Kleinwärmepumpenanlagen“, Bundesamt für Energie, Schweiz, 2005

Regelung der Pulsbreitenmodulation von Kleinwärmepumpenanlagen auf Basis von

kommerziellen Reglern. Der Regler verwendet im Sinne der modellprädiktiven Rege-

lung ein Modell des Wärmenutzungssystems für die optimale Verteilung der Heizpulse

über der Zeit in Abhängigkeit eines mutmaßlichen zukünftigen Außentemperaturver-

laufs. In Phase 4 des Projektes wurde der Regler zu einem selbsteinstellenden Regler

weiterentwickelt.

Ergebnisse: Im Vergleich zu einem konventionellen witterungsgeführten Zweipunktreg-

ler entfällt die Anpassung der Kennlinie. Die Heizkosten konnten um 10 % reduziert

werden. Grund hierfür ist die Verschiebung der Betriebszeiten der Wärmepumpe in

den Niedertarif. Komforteinbussen sind dabei nicht entstanden.

(b) P.Gruber, M-Gweder und J. Tödtli, Siemens Building Technology, Landis & Stäfa Divi-sion: „Predictive Control for Heating Applications“, Climate 2000/Napoli 2001 World Congress, 15-18 September 2001, Napoli Algorithmus zur modellprädiktiven Regelung einer Warmwasser-Zentralheizung. Simu-

lationsbasierte Entwicklung mit späterem Einsatz an realen Gebäuden. Der Regelalgo-

rithmus bedient sich einer Technik zur nummerischen Optimierung linearer dynami-

scher Systeme mit Eingangs-, Eingangsänderungs- sowie Zustandsbeschränkungen.

Der Algorithmus ist eine Alternative zur konventionellen Regelstrategie von Heizungs-

systemen, die mit Hilfe von Heizkurven funktionieren. Das Verfahren bestimmt die op-

timale Start- und Stopzeit des Heizungssystems.

Ergebnisse: Der thermische Komfort konnte mit einem minimalen Energieeinsatz er-

reicht werden. Die Berechnungen finden auf einem PC statt. Dieser ist mit einem

Energiemanagementsystem der Firma Siemens verbunden. Einsparungen im Ver-

gleich zur konventionellen Regelstrategie wurden nicht aufgezeigt.

(c) U. Eicker, A. Biesinger und et al., Gebäudetechnik. Simulationsgestützte Automation für die nachhaltige sommerliche Klimatisierung von Gebäuden. Teilaspekt B: Anpas-sung an Klimatrends und Extremwetter. Themenbereich Gebäudetechnik, Bundesmi-nisterium für Bildung und Forschung, Hrsg., Stuttgart, 2010. Integration von Raum und Gebäudemodellen in die Gebäudeautomationstechnik. Si-

mulationsbasierte Optimierung von der Gebäudeautomation zur Reduzierung, der zur

Klimatisierung eingesetzten Energie. Verfahren zur prädiktiven Regelung der Bauteil-

Seite 28

aktivierung. Messkonzepte zur detaillierten Bewertung des Nutzerverhaltens sowie der

Anlagenfunktionalität.

Ergebnisse in Bezug auf die prädiktive Regelung der Bauteilaktivierung: Es konnte

nachgewiesen werden, dass durch den Einsatz der prädiktiven Algorithmen Einspa-

rungen von 70 % der elektrischen Pumpenenergie sowie 7 % an thermischer Energie

eingespart werden konnte. Die Ergebnisse beziehen sich auf den Betrieb von thermo-

aktiven Bauteilsystemen.

(d) Himmler, Robert. Methode zur wetterprognosegeführten Regelung von Systemen zur Betonkerntemperierung. Lübeck und Marburg : Tönning, 2008. S. 104 ff. Durch die Berücksichtigung von Wetterprognosen wird die Energiemenge bestimmt,

die nachts der Betondecke zu- bzw. abgeführt werden muss um den thermischen

Komfort im Gebäude einhalten zu können. Anhand von Simulationsmodellen wurden

verschiedene Regelungsstrategien erprobt.

Ergebnisse: Bei höherem Komfort konnte eine Reduzierung des Primärenergiebedarfs

um ca. 10 % im Vergleich zu den konventionellen Regestrategien erzielt werden. Au-

ßerdem konnte der mittlere Heiz- und Kühlleistungsbedarf um 25 % bis 50 % reduziert

werden, so dass die Anlagentechnik entsprechend kleiner dimensioniert werden kann.

(e) Prívara, Samuel; Široký, Jan; Ferkl, Lukáš; Cigler, Jiří (2011): Model predictive control of a building heating system: The first experience. In: Energy and Buildings 43 (2–3), S. 564–572 Prívara et al stellen eine modellbasierte prädiktive Regelung für Deckenheizsysteme

vor. Die Modellidentifikation erfolgt durch einen Zustandsraumalgorithmus und histori-

sche Messwerte. Um Vorhersagen über das thermische Verhalten des Gebäudes ma-

chen zu können, werden diverse Wetterprognosen einbezogen. Die Regelung wird in

einem großen Universitätsgebäude getestet.

Ergebnisse: Abhängig von der geregelten Zone, konnten Energieeinsparungen von

17 % bis 24 % im Vergleich zur konventionellen Regelung erzielt werden. Der thermi-

sche Komfort konnte dabei sehr gut eingehalten werden.

2. Witterungsgeführte Verfahren der konventionellen Regelungstechnik, die auf Basis von Wetterprognosen geführt werden

(f) Olesen, Bjarne W.; Dossi, Francesco Curro (2004): OPERATION AND CONTROL OF

ACTIVATED SLAB HEATING AND COOLING SYSTEMS. In: Building for the Future: The 16th CIB World Building Congress 2004. Online verfügbar unter http://www.irbnet.de/daten/iconda/CIB1743.pdf. Es werden dynamische Computersimulationen mit unterschiedlichen konventionellen

Regelstrategien, wie sie in Kapitel 3.1 zu finden sind, anhand von wasserbasierten

Flächenheiz- und Kühlsystemen durchgeführt. Zusätzlich zu den konventionellen Stra-

http://www.irbnet.de/daten/iconda/CIB1743.pdf

Seite 29

tegien wird ebenfalls der Einsatz von Wettervorhersagen in der außentemperaturge-

führten Vorlauftemperaturregelung der Flächentemperierungssysteme untersucht.

Ergebnisse: Die Regelung der Vorlauftemperatur als Funktion der historischen Außen-

temperatur zeigt das beste Ergebnis in Bezug auf den thermischen Komfort und den

Energieeinsatz. Die Einbeziehung der prognostizierten Außentemperatur zeigt keine

Verbesserung.

3. Regelbasierte prädiktive Steuerungsverfahren (g) Jürg Tödtli: "Prädiktive Regelungen und Wetterprognosen in der Gebäudeautomation –

Überlegungen im Vorfeld zweier Forschungsprojekte", SGA Bulletin Nr. 59 August 2011 In der neuen Monte-Rosa Berghütte wird die dort verbaute Kläranlage durch eine re-

gelbasierte vorausschauende Steuerung ein- und ausgeschaltet. Dies wird durch ein-

fache „Wenn-Dann“ umgesetzt.

Ergebnisse: Der Treibstoffverbrauch der dort installierten KWK-Anlage kann reduziert

werden und damit wird der Energieautarkiegrad verbessert. Dies ist möglich, da die

Be- und Entladung der elektrischen Batterie optimiert werden kann.

4. Regelbasierte Expertensysteme, die auf Fuzzy-Logik bestehen (h) U. Eicker, A. Biesinger und et al., Gebäudetechnik. Simulationsgestützte Automation

für die nachhaltige sommerliche Klimatisierung von Gebäuden. Teilaspekt B: Anpas-sung an Klimatrends und Extremwetter. Themenbereich Gebäudetechnik, Bundesmi-nisterium für Bildung und Forschung, Hrsg., Stuttgart, 2010. Die Beschreibung des Forschungsprojektes ist unter Punkt (c) zu finden. Neben der

prädiktiven Regelung von TABS wurde ebenfalls ein Fuzzy Decision Making (FDM) un-

tersucht. Dabei handelt es sich um ein Verfahren zur Belüftung von Bürogebäuden mit-

tels Nachtlüftung auf Basis von Fuzzy-Logik-Reglern. Temperaturprognosen und der

thermische Gebäudezustand wurden zur Optimierung der Laufzeitregelung einbezo-

gen.

Ergebnisse in Bezug auf die prädiktive Regelung der Lüftungsanlage: Im Vergleich zur

vorherigen konventionellen Regelung der Ventilatoren der Lüftungsanlage konnte mit

dem regelbasierten prognosegestützten Expertensystem eine Gesamtenergieeinspa-

rung im betrachteten Zeitraum von 38 % nachgewiesen werden. Gleichzeitig wurde der

thermische Komfort in den Versuchszonen leicht verbessert.

5. Neuronale Netze zur Regelung von HLK-Systemen (i) Bichsel, J.; Krauss, J.; Bauer, M.; Morel, N. (2000): Neurobat – Neuronaler Heizungs-

regler - Final report phase II. Hg. v. Bundesamt für Energie. Das prädiktive NEUROBAT Regelkonzept nutzt neuronale Netze (künstliche Intelli-

genz) um Wettervorhersagen und ein thermisches Gebäudemodell zu erstellen. Der

Seite 30

Regler kann über eine Optimierung einer Kostenfunktion mit dem Benutzerkomfort so-

wie dem Energieverbrauch als Funktionskomponente die Heizleistung über einen vor-

definierten Zeithorizont optimieren. Der Regler wurde in Büroräumlichkeiten getestet.

Ergebnisse: Die Inbetriebnahmeprozedur konnte vereinfacht werden. Gleichzeitig wur-

de der Benutzerkomfort verbessert und eine durchschnittliche Reduktion des Energie-

verbrauchs von 10 % bis 15 % konnte erreicht werden.

3.3 Beurteilung zum Potenzial von prädiktiven Betriebsverfahren in der Gebäudeautomation

In nahezu allen Veröffentlichungen, die sich mit prognosegestützten Betriebsverfahren in der Ge-

bäudeautomation beschäftigen, konnten je nach Anwendung zwischen 10 % und 38 % Energie

eingespart werden im Vergleich zu den in Kapitel 3.1 vorgestellten konventionellen Strategien.

Einzige Ausnahme ist die Simulationsstudie von Olesen, der keine Energieeinsparung durch eine

prognosegeführte Vorlauftemperaturregelung von TABS feststellen konnte. Hierbei zeigt sich, dass

nicht automatisch durch die Berücksichtigung von Wetterprognosen Energieeinsparungen und eine

Erhöhung des thermischen Komforts gegeben sind. Es kommt vor allem darauf an, wie die Wetter-

prognosen eingesetzt werden.

Viele Veröffentlichungen nutzen die Variante der modellprädiktiven Regelung und erzielen damit

gute Ergebnisse in Sachen Energieeinsparung und Komfortverbesserung. Aber auch prognosege-

stützte regelbasierte Systeme und der Einsatz von künstlicher Intelligenz versprechen ein hohes

Potenzial.

Insbesondere bei TABS können prädiktive Verfahren helfen, Energie einzusparen und den thermi-

schen Komfort zu verbessern. Grund hierfür ist, dass TABS eine erhebliche thermische Masse

aufweisen, die zu langsamen Reaktionszeiten und einer hohen Systemträgheit führt. Somit ist es

eine besondere Herausforderung TABS so zu steuern und zu regeln, dass der thermische Komfort

eingehalten werden kann. Der Einfluss von Hauptstörgrößen, wie Außentemperatur, solare Ein-

strahlung und innere Wärmelasten haben bei TABS einen besonders großen Einfluss und müssen

daher im Voraus prognostiziert werden.

Die großen Vorteile von TABS sind jedoch die geringen Übertemperaturen (ca. 29 °C) im Heizfall

bzw. die geringen Untertemperaturen (ca. 17 °C) im Kühlfall sowie die Fähigkeit thermische Ener-

gie in der Gebäudemasse zu speichern. Besonders effizient sind solche Systeme daher in Verbin-

dung mit natürlichen Wärmequellen (Heizfall) und Wärmesenken (Kühlfall). Dies hängt vor allem

mit den großen beheizten Flächen und der daraus resultierenden geringen Temperaturdifferenz

zwischen TABS-System und Raumtemperatur zusammen. Der Einsatz von Wärmepumpen in Ver-

bindung mit regenerativen Energiequellen ist hier besonders effizient.

Da bei TABS die größten Potenziale durch die Prädiktion erwartet werden, konzentrieren sich die

zu entwickelnden Optimierungsalgorithmen auf diese Art von Heiz- und Kühlsystemen.

Seite 31

4 Übertragung von Wetterprognosen für die Gebäudeautomati-on mit Langwellenfunktechnik und Entwicklung eines Verfah-rens zur lokalen Optimierung

Erstellt durch: HKW-Elektronik GmbH

4.1 Einleitung

Grundlage für die thematische Vorbereitung des Forschungsthemas war die Tatsache, dass durch

Entwicklungen der HKW-Elektronik GmbH die „Metetotime I“ Technik gerade Einzug in verschie-

dene Bereiche des Marktes hielt.

Hinter der „Metetotime I“ Technik verbirgt sich die Übertragung von Wetter-Prognose-Daten, ein-

gebettet in das Übertragungs-Protokoll des Zeitzeichensenders DCF77. Nach ersten Applikationen

in der Konsumgüter-Industrie (Wetterstationen, Funkwecker mit Wetterprognose, etc.) empfahl sich

diese technische Möglichkeit der Prognose-Übertragung mehr und mehr für technische Anwen-

dungen.

Vorteile, welche die Langwellen-Übertragung für technische Anwendungen so interessant machen,

sind:

- erzielbare, große Reichweiten bei der Übertragung der Daten,

- keine Notwendigkeit des Aufbaus einer komplexen Infrastruktur, da Nutzung eines zentralen

Senders zur Abdeckung eines länderübergreifenden Gebietes,

- Möglichkeit des preiswerten Aufbaus der Empfangstechnik, flankiert durch den durch HKW-

Elektronik GmbH entwickelten Funkuhren-Empfänger UE6015,

- kompakte und energiearme Aufbau-Möglichkeit der Empfangstechnik.

Entscheidend für den Nutzen einer solchen drahtlosen und ortsungebundenen Wetter-Prognose-

Übertragung ist aber nicht nur die Verfügbarkeit einer technischen Hardware-Plattform und des

Service-Providers, sondern auch die Art und Auflösung der übertragbaren Daten, deren Aktualität

zum Zeitpunkt des Empfangs und die flexible, aber eindeutige Zuordnung des Empfängers zum

standortbezogenen Datensatz.

In diesem Zusammenhang unterliegt die „Meteotime I“ – Technik einer relativ starken Limitierung

durch die auf maximal 14, für diesen Service nutzbare, freie Bits pro Minute eingeschränkte Über-

tragungskapazität und der geringen Übertragungsrate (1 bit/s).

Die von HKW-Elektronik GmbH in der Systemfestlegung zu „Meteotime I“ gefundene Lösung be-

steht, unter Berücksichtigung der technisch vorgegebenen Rahmenbedingungen, in einer bereits

nach meteorologischen Gesichtspunkten effektiv vorgenommenen Regionalisierung des Sender-

Abdeckungsgebietes und der Übertragung von speziell für diese Regionen von erfahrenen Meteo-

rologen erstellten Wetterprognose-Daten.

Seite 32

Die übertragenen Prognosen beschreiben einen Zeitraum von 4 Prognose-Tagen (heute

+ die 3 Folgetage). Allerdings erreichen die darin enthaltenen, physikalischen Werte (Temperatur

TAG, Temperatur NACHT, etc.) nur eine Auflösung von bis zu 12 h.

Zielstellung der HKW-Elektronik GmbH war deshalb, ergänzende Möglichkeiten der Langwellen-

Übertragung zu finden, die durch eine größere Übertragungskapazität und eine höhere Übertra-

gungsrate sowohl eine feiner aufgelöste Beschreibung des Abdeckungsgebietes als auch des

Prognose-Tages und der Prognose-Werte erlauben.

Eine solche, qualitative Aufwertung des Meteotime-Services ist durch Einbindung des Langwellen-

Sendernetzes der EFR GmbH gegeben. Die aktuell in Europa aktiv betriebenen 3 Sender (Mainf-

lingen [D], Burg [D] und Lakihegy [H]) decken nicht nur das von DCF77 versorgte Gebiet ab, son-

dern erweitern das Abdeckungsgebiet nach Süd- und Südost-Europa. Mit einer Übertragungsrate

von 200 bit/s erlauben diese Sender eine schnellere und wesentlich feiner aufgelöste Bereitstellung

von Wetterprognose-Daten und eine feinere Parzellierung des Prognose-Gebietes. Dieser, von

HKW-Elektronik GmbH in den zurückliegenden Monaten entwickelte und in ersten Ausbaustufen

bereits in Betrieb genommene Service wird „Meteotime II“ genannt.

Für die praktische Umsetzung der Integration der per Langwelle übertragenen Wetter-Prognosen in

die GA stehen also zum jetzigen Zeitpunkt prinzipiell 2 Systeme zur Verfügung.

Im Sinne einer möglichst feinen Prognose-Auflösung und eines zukunftsträchtigen, Ausbau fähigen

Systems wurde schon frühzeitig für die weitere Projekt-Bearbeitung der Schwerpunkt auf das Ein-

beziehen des „Meteotime II“-Systems [MT2] gelegt.

Bereits die erste MT2-Ausbaustufe schafft es, den gesamten, für MT1 erzeugten Prognose-Daten-

Pool zu übertragen. Muss der bereitstehende Daten-Pool im Rahmen des „Meteotime I“-Services

aus Kapazitätsgründen noch auf 60 vollwertig beschriebene und 30 eingeschränkt beschriebene

Regionen gekürzt werden, so kann der Standard-Prognose-Dienst im „Meteotime II“-Service die

verfügbaren Prognose-Daten des „Meteotime I“-Services ohne Einschränkungen übertragen.

Abb. 4-1: Daten-Inhalte und Wertebereich der Wetterprognose „Standard* des MT2-Services

Seite 33

Aus verschiedenen, technisch organisatorischen Gründen, wie Verzögerungen in der Prognose-

Daten-Beschaffung und der Systembearbeitung selbst, konnte der parallel zu diesem Projekt ein-

hergehende, weitere Ausbau des MT2-Systems die nächste Ausbaustufe nicht zeitig genug errei-

chen, um die damit verbundenen, feiner aufgelösten Prognose-Daten pro Tag bereits in diese Pro-

jektbearbeitung einbeziehen zu können. Hierin steckt ein großes Potential für eine zukünftige, wei-

tere Verbesserung des ohnehin bereits positiv getesteten Verfahrens, welches im Folgenden be-

schrieben wird.

Um unter der Einschränkung des aktuell verfügbaren MT2-Systems dennoch Wetterprognosen in

ausreichender Auflösung liefern zu können, wurden die Prognose-Werte der Temperatur interpo-

liert und anschließend mittels des Korrekturverfahrens verbessert. Auf das zusätzliche Einbeziehen

der Solarstrahlung wurde dabei verzichtet.

Für jeden Prognose-Tag werden ein Maximal- und ein Minimal-Wert für die zu erwartende Tempe-

ratur übertragen. Der Maximalwert ist der Taghälfte des Tages und der Minimalwert entsprechend

der Nachthälfte des Tages zugewiesen. Aus meteorologischer Sicht entspricht dabei die prognosti-

zierte Tages-Höchst-Temperatur dem Wert, der für 14 Uhr (UTC) zu erwarten ist. Entsprechend

bezieht sich die prognostizierte Tages-Tiefst-Temperatur auf den Temperatur-Wert, der für 5 Uhr

(UTC) zu erwarten ist.

Per Definition gilt dabei:

- Tages-Hälfte Tag: 5 Uhr (UTC) – 17 Uhr (UTC)

- Tages-Hälfte Nacht: 17 Uhr (UTC) – 5 Uhr (UTC) des Folgetages

Mit den Stützstellen „5 Uhr (UTC)“ des Vortages und „14 Uhr (UTC)“ des aktuellen Tages kann

eine lineare Interpolation des aktuellen Tages durchgeführt werden. Die daraus resultierenden 24

Stunden-Werte und die Prognose-Werte für Maximum (Tmax) und Minimum (Tmin) der Temperatur

bilden die Basis für die Korrektur und Erweiterung der Wetterprognose-Daten.

Etwa ab Mitte 2012 werden die Wetter-Prognose-Daten der nächsten Ausbaustufe des MT2-

Systems zur Verfügung stehen, deren geplante Inhalte in der Abb. 4-2 dargestellt sind.

Die Prognose beinhaltet die Wettervorhersage des aktuellen Tages und der folgenden 3 Tage. Die

Lufttemperaturprognose und die Solarprognose werden maximal für die nächsten 48 Stunden vor-

hergesagt. Jeder Prognose-Wert wird alle sechs Stunden prognostiziert und liegt somit für die Ta-

gesabschnitte Morgens, Vormittags, Nachmittags und Abends vor.

Diese Prognose-Daten können nachträglich in das System zur Optimierung der GLT integriert wer-

den und führen damit zu einer weiteren Verbesserung der Ergebnisse.

Seite 34

Abb. 4-2: Daten-Inhalte und Wertebereich der Wetterprognose „Premium* des MT2-Services

4.2 Entwicklung eines Verfahrens zur Korrektur von Wetterprognosen durch Vor-Ort-Messungen

4.2.1 Entwicklung des Algorithmus

Im ersten Schritt wurden, gemeinsam mit Meteorologen der Firma Meteotest, die Einfluss-Größen

untersucht, deren Wirkung beschrieben und die Möglichkeit der Fassbarkeit und Einbindung für

bzw. in eine Korrektur der empfangenen Prognose untersucht. Dabei wurden mehrere Korrektur-

Algorithmen und Kombinationen derer untersucht. Auch wurde mit Hilfe von Mess- und Simulati-

ons-Daten für Beispiel-Orte untersucht, welcher Mindest-Umfang an Messgrößen nötig ist, um eine

spürbare Korrektur der Prognose-Werte zu erlangen. Diese Erkenntnisse definieren nicht zuletzt

auch die Wahl der notwendigen Rechentechnik, die in der Prognose-Empfangs- und Wetter-

Messtechnik vorzusehen ist.

Vorab gilt es einige Begrifflichkeiten zu erläutern, welche im späteren Verlauf verwendet werden.

Die Folgende Abkürzung LAFOS leitet sich aus der Verfahrenstechnischen Beschreibung ab. Es

bezieht sich auf das Verfahren, Prognosen für den im prognostizierten Gebiet liegenden Standort,

zu verbessern. Die Verbesserung für mehrtägige Prognosen erfolgt für eine definierte berechnete

Wetterprognose Plus* Einheit Wertebereich Auf lösungLufttemperatur min °C <-60/-60…+65/>+65 1°

Lufttemperatur max °C <-60/-60…+65/>+65 1°

Niederschlagsmengel/m²

0,0.5,1,1.5,2,2.5,3,4,5,6,7,8,910,12,14,16,18,20,22,24,26,

28,30,35,40,50,55,60,>60dynamisch

Niederschlagswahrscheinlichkeit % 0…100 10%

Signifikantes Wetter (Symbole) 1…15 1

Solarprognose** Einheit Wertebereich Auf lösungSonnenscheindauer h 0…6 0,5

Solare Einstrahlung W/m² 0…1200 25 W/m²

Lufttemperaturprognose** Einheit Wertebereich Auf lösungLufttemperatur mittlere °C <-60/-60…+65/>+65 1°

Luftdruckprognose** Einheit Wertebereich Auf lösungLuftdruck hPa 845…1100 1

Windprognose* Einheit Wertebereich Auf lösungWindstärke Bft 0…12 1

Windrichtung Grad 0…315 1 aus 8

Meldungen markantes Wetter* Einheit Wertebereich Auf lösungWettermeldungen Europa

(Werte bezogen auf 6 Stundenraster)

* Prognose für den aktuellen Tag und 3 Folgetage** Prognose für aktuellen Tag und 1 Folgetag

Seite 35

Fläche, durch Einbeziehen lokal gemessener Werte in dem prognostizierten Gebiet befindlichen

Standort. In erster Linie versucht man damit die Temperatur-Prognose durch Einbeziehen der am

Standort gemessenen Außentemperatur-Werte zu verbessern.

LAFOS = Locally Adapted FOrecast Statistics

Es wurden die unterschiedlichsten Stations-Paare (Kombinationen aus Prognose-Ort und Mess-

Station) gebildet, die zur Abdeckung möglichst vieler, aus geographischer und meteorologischer

Sicht unterschiedlicher Beziehungsmuster dienen.

Abb. 4-3: Stations-Paare in der Schweiz

Abb. 4-4: weitere repräsentative Stations-Paare in Europa

Seite 36

Folgende Korrektur-Modelle wurden untersucht:

Langzeit-Korrektur (LZK)

Die Langzeit-Korrektur berechnet die mittlere Abweichung (Messung – Prognose) der Werte sepa-

rat für jede definierte Klasse von signifikantem Wetter und für jeden Prognose-Tag. Unter Klassen

von signifikantem Wetter versteht man dabei die typischen, prognostizierten und entsprechend

codiert im Meteotime-System übertragenen Wetterbeschreibungen, wie sonnig, leicht bewölkt,

stark bewölkt, etc. Je mehr Daten pro signifikanter Wetter-Situation auflaufen, desto besser ist die

Prognose-Korrektur. Bis sich nennenswerte Korrektur-Größen ermitteln lassen, bedarf es einer

langfristigen Daten-Sammlung. Die Korrekturen beschreiben sehr gut die Spezifika des Standortes,

können aber nur schlecht auf kurzfristige Erscheinungen reagieren.

gute Ergebnisse, Verbesserung über längeren Zeitraum, Lerneffekt

Kurzfrist-Korrektur (KZU)

Die Kurzfrist-Korrektur bezieht sich nur auf aufeinanderfolgende Tage gleichen, signifikanten Wet-

ters und kann im Anschluss an die LZK angewendet werden.

keine nennenswerte Verbesserung

Saisonale Betrachtung

Im Rahmen der Saisonalen Betrachtung werden die Korrekturfaktoren in zwei Bereiche eingeteilt,

um jahreszeitlich spezifisch geltende, meteorologische Effekte besser bewerten zu können. Der

Bereich Sommer gilt dabei immer vom 1. April bis 30. September eines Jahres, der Bereich Winter

entsprechend vom 1. Oktober bis 31. März. Die Saisonale Betrachtung kann im Rahmen der LZK

eingesetzt werden.

gute Ergebnisse

Höhenanpassung

Die Höhenanpassung korrigiert die Temperaturprognose durch Einbeziehen eines, dem Mess-

Standort fix zugewiesenem Korrekturwert als Funktion seiner Höhendifferenz (in M.ü.M.) zum zu-

gehörigen Prognose-Ort: Korrekturwert = f (Höhenunterschied).

Dabei wird mit einem durchschnittlichen Temperaturgradienten von 0.6°C/100m gearbeitet.

Die Höhenanpassung wird damit direkt auf die empfangenen Prognose-Werte, vor deren Weiter-

verarbeitung, gemäß der folgenden Formel angewendet:

T_korrigiert [°C ] = T_empf_Progn + (Höhe_Progn-Ort – Höhe_Mess-Standort) * 0.6 /100

Dies reduziert den systematischen Fehler von Beginn an.

Seite 37

4.2.2 Auswertung der Modell-Ansätze

Als Entscheidungsgrundlage zur Bewertung der verschiedenen Modell-Ansätze dienten die Mittel-

werte der mittleren quadratischen Fehler (RMSE „Root Mean Square Error“) der verschiedenen

Modelle über alle 4 Prognose-Tage und alle Stations-Paare. Die entsprechende Formel ist in Kapi-

tel 4.2.3 zu finden.

a) RMSE der Tmax - Prognosen aller erwähnten Modelle

Abb. 4-5: RMSE der Tmax - Prognosen aller erwähnten Modelle für die Schweizer Stationen

Abb. 4-6: RMSE der Tmax - Prognosen aller erwähnten Modelle für die Europa Stationen

Tmax Höhenabhängigkeit

0.0

1.0

2.0

3.0

4.0

5.0

6.0

7.0

8.0

-1000 -500 0 500 1000 1500

Höhenunterschied AMOS-Keyort [m]

RMSE

[°C]

MeteotimeLZK (Jahr)LZK,KFK (Jahr)LZK (sais.)LZK,KFK (sais.)

Tmax Höhenabhängigkeit

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

-600 -400 -200 0 200


RMSE

[°C]


Seite 38

b) RMSE der Tmin - Prognosen aller erwähnten Modelle

Abb. 4-7: RMSE der Tmin - Prognosen aller erwähnten Modelle für die Schweizer Stationen

Abb. 4-8: RMSE der Tmin - Prognosen aller erwähnten Modelle für die Europa Stationen

Das beste Ergebnis bot die Langzeitkorrektur (LZK) mit folgenden Eigenschaften. Das System

benötigt eine Anlern-Phase, in der sich die ausgegebenen Prognose-Werte im Laufe der Zeit im-

mer weiter verbessern. Der Sensor darf bei dieser Methode den Standort möglichst nicht wechseln,

sonst ist ein RESET des LZK-Speichers nötig. Der Sensor muss im Schatten platziert bzw. mittels

eines „Radiation Shields“ gegen direkte Sonneneinstrahlung geschützt werden, darüber hinaus

sollte der Standort möglichst gut belüftet sein.

Für jeden Tag wird ein Maximal- und ein Minimal - Wert für die Temperatur, sowie zu beiden die

Kennung des jeweils zugehörigen signifikanten Wetters (Wettersymbol) übertragen. Insgesamt

unterscheidet man im Meteotime-System 15 verschiedene Wettersymbole.

Tmin Höhenabhängigkeit

0.0

1.0

2.0

3.0

4.0

5.0

6.0

-1000 -500 0 500 1000 1500

Höhenunterschied AMOS - Keyort [m]

RMSE

[°C]


Tmin Höhenanhängigkeit

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

-600 -400 -200 0 200


RMSE

[°C]


Seite 39

Die an der Station eintreffenden Prognose-Werte werden mit gemessenen Daten verglichen. Die

sich ergebende Differenz wird dem entsprechenden Wettersymbol zugeordnet und abgespeichert.

Sobald Korrekturwerte für ankommende Prognosen vorhanden sind, werden diese addiert und

somit ein verbesserter Prognose-Wert gebildet. Zusätzlich zur Differenz zwischen Mess – und

Prognose-Wert geht auch noch die Anzahl der durchgeführten Messungen in die Berechnung ei-

nes neuen Korrekturwertes mit ein. Die komplette Formel lautet wie folgt:

𝐾𝑜𝑟𝑟𝑒𝑘𝑡𝑢𝑟𝑤𝑒𝑟𝑡 = ((𝑀𝑒𝑠𝑠𝑤𝑒𝑟𝑡 − 𝑃𝑟𝑜𝑔𝑛𝑜𝑠𝑒𝑤𝑒𝑟𝑡) + (𝐴𝑛𝑧𝑎ℎ𝑙 𝑀𝑒𝑠𝑠𝑢𝑛𝑔𝑒𝑛 ∗ 𝑙𝑒𝑡𝑧𝑡𝑒𝑟 𝐾𝑜𝑟𝑟𝑘𝑒𝑡𝑢𝑟𝑤𝑒𝑟𝑡))

𝐴𝑛𝑧𝑎ℎ𝑙 𝑀𝑒𝑠𝑠𝑢𝑛𝑔𝑒𝑛 + 1

𝐴𝑛𝑧𝑎ℎ𝑙 𝑀𝑒𝑠𝑠𝑢𝑛𝑔𝑒𝑛 = 𝐴𝑛𝑧𝑎ℎ𝑙 𝑀𝑒𝑠𝑠𝑢𝑛𝑔𝑒𝑛 + 1

4.2.3 Anwendung der Langzeitprognose auf interpolierte Prognose-Werte

Da das Meteotime-System aktuell nur die Prognose-Werte für die Maximale und die Minimale

Temperatur überträgt, wurde der Algorithmus um eine lineare Interpolation der Prognose-Werte auf

24 Stunden erweitert. Somit ist es möglich, eine Korrektur jedes einzelnen Stundenwertes durchzu-

führen. Die Simulation dieses Verfahrens wurde mit Hilfe des Programms Scilab durchgeführt.

Grundlage für die Simulation waren Datensätze „historischer Wetter-Prognosen“, die uns von unse-

ren Partnern in meteorologischen Fragen, der Firma Meteotest [CH], zur Verfügung gestellt wur-

den. Für 4 verschiedene Stationen wurden Min/Max – Prognose-Daten mit den entsprechenden

Prognose-Wetter-Symbolen (Klassen signifikanten Wetters) und stündliche Messwerte für 352

Tage zur Verfügung gestellt. Die Prognose-Werte wurden erst linear interpoliert, um eine den

Messwerten ähnliche Kurve zu erhalten und dann mit dem oben beschriebenen Algorithmus korri-

giert.

Für die Berechnung der Korrekturwerte wurde eine 24x15 Matrix für die Daten und 1 für die Anzahl

der Messungen definiert. Mittels mehrerer Schleifen konnten so immer 24 Stunden abgearbeitet

werden und die Daten entsprechend des zugehörigen Symbolwertes in die Matrix übernommen

werden.

Seite 40

Das Ergebnis ist in folgender Grafik dargestellt:

Abb. 4-9: Langzeitprognose mit interpolierten Prognose-Werten für Standort Zürich

Für diese und folgende Grafiken gilt:

- Blau = Prognose-Werte

- Rot = Messwerte

- Grün = korrigierte Werte

Auswertung:

Durch mehrere Tests für alle Stationen wurde ermittelt, dass mit einer Obergrenze für die Anzahl

von Messungen von N=9, die besten Resultate erzielt werden. Als Vergleichswerte wurden für alle

Stationen die Wurzel des mittleren quadratischen Fehlers (RMSE) und die durchschnittliche Ver-

besserung (dVer) des LAFOS-Wertes gegenüber dem Prognose-Wert verwendet.

𝑅𝑀𝑆𝐸 = �𝑀𝑖𝑡𝑡𝑒𝑙𝑤𝑒𝑟𝑡( (𝑀𝑒𝑠𝑠𝑤𝑒𝑟𝑡 − 𝐿𝐴𝐹𝑂𝑆𝑤𝑒𝑟𝑡)²)

𝑑𝑉𝑒𝑟 = 𝑀𝑖𝑡𝑡𝑒𝑙𝑤𝑒𝑟𝑡((|𝑃𝑟𝑜𝑔𝑛𝑜𝑠𝑒𝑤𝑒𝑟𝑡 −𝑀𝑒𝑠𝑠𝑤𝑒𝑟𝑡|) − (|𝐿𝐴𝐹𝑂𝑆𝑤𝑒𝑟𝑡 − 𝑀𝑒𝑠𝑠𝑤𝑒𝑟𝑡|))

Seite 41

Die vier verschiedenen Schweizer Stationspaare wurden mit Hinblick auf ihre geographische Lage

ausgewählt. Die unterschiedlichen Ausgangs-Situationen sind in folgender Tabelle aufgeführt.

Tabelle 4-1: Untersuchte Stationspaare und ihre markanten Eigenschaften

Bezeichnung Wetterstation (LAFOS) Meteotime Progno-

se-Ort Situation

Zürich Hörnli 1144 m Zürich 556 m Mess-Station höher als

Prognose-Ort

Adelboden Interlaken 580 m Adelboden 1320 m Mess-Station niedriger

als Prognose-Ort

Locarno Locarno Magadino 197 m Locarno 197 m Mess-Station und Prog-

nose-Ort gleiche Höhe

Sion Montana 1508 m Sion 482 m Wallis, großer Höhenun-

terschied

Die Wahl der Stationspaare lässt darauf schließen, dass vor allem Erkenntnisse über die Auswir-

kungen unterschiedlicher Höhenlagen, gemessen zwischen Prognose-Ort und Wetterstation (Meß-

Station), auf die Korrektur zu gewinnen sind.

In der folgenden Tabelle sind die ermittelten Werte aus der Simulation dargestellt. Zusätzlich sind

noch 2 Spalten für den Höhenunterschied und die größte Differenz zwischen der korrigierten – und

der Meßwerte-Kurve hinzugefügt.

Tabelle 4-2: Übersicht der ermittelten Werte aus der Simulation

Bezeichnung

RMSE

Prognose

[°C]

RMSE

korrigiert

[°C]

Durchschnittliche

Verbesserung [°C]

Höhenunter-

schied [m]

Größte

Differenz

[°C]

Zürich 3.09175 2.49084 0.56742 588 11.66076

Adelboden 3.25520 2.49677 0.77960 740 11.39000

Locarno 2.86030 2.42317 0.41546 0 12.42648

Sion 3.03345 2.17165 0.84438 1026 12.43333

Mittelwert 3.06018 2.39561 0.65171 - 11.97764

Im Allgemeinen ist festzustellen, dass der RMSE für korrigierte Werte im Mittel bei ca. 2.4 °C liegt

und somit unter dem RMSE-Wert für die ursprüngliche Prognose. Die für unterschiedliche Stati-

onspaare erzielte Prognose-Korrektur reicht von 0,41 °C (für Stations-Paare ohne Höhenunter-

schied) bis zu 0,84 °C (für Stations-Paare mit enormem Höhen-unterschied). Die aus den Ergeb-

Seite 42

nissen zu den betrachteten Stations-Paaren abgeleitete, durchschnittliche Verbesserung um

ca. 0.65 °C bestätigt die mit diesem Prinzip durchgängig erreichbare Verbesserung der Prognose.

Weitere Erkenntnisse sind:

- Die Korrektur, über das gesamte Jahr gesehen, fällt relativ gering aus. Grund hierfür ist,

dass sehr gute Korrekturwerte durch sehr schlechte Korrekturwerte wieder ausgeglichen

werden. Bestätigt wird dies durch eine durchschnittliche, größte Differenz zwischen korri-

giertem Wert und Messwert von ca. 12 °C. Die kleinste Differenz war in allen Fällen Null,

da es mehrfach vorkommt, dass die Kurven sich schneiden.

- Deutlich zu erkennen ist auch der Zusammenhang zwischen Stationshöhe und durch-

schnittlich erzielter Verbesserung. Ist die als Bezugspunkt für eine Prognose herangezo-

gene Mess-Stelle auf ähnlichem Höhen-Niveau wie der Prognose-Ort, dann kann die

Prognose selbst schon sehr genau sein, die erzielbare Korrektur bleibt also klein. Besteht

zwischen Mess-Stelle und Prognose-Ort allerdings ein großer Höhenunterschied, dann er-

zeugt der angewandte Algorithmus eine deutliche Verbesserung der Prognose. Die Effekti-

vität des Algorithmus, in dieser Form der Anwendung, nimmt also mit größer werdendem

Höhenunterschied zu. Dieser Zusammenhang wird auch in Abb. 4-10 noch einmal deutlich.

Abb. 4-10: Zusammenhang zwischen Stationshöhe und Verbesserung

Neben den Einflüssen unterschiedlicher, geographischer Aspekte, wirken auch meteorologische

Phänomene auf die Effektivität des Algorithmus.

Seite 43

Im Folgenden werden Ausschnitte aus einem erzeugten Diagramm für die Station Adelboden ge-

zeigt. Es soll dargestellt werden, dass es Stellen gibt, an denen die Korrektur gut funktioniert und

Bereiche, in welchen plötzliche Temperaturwechsel zu einer Verschlechterung führen. Diese Sze-

narien sind für alle Stationen in ähnlicher Form feststellbar, daher werden sie an dieser Stelle nur

für eine Station präsentiert.

Die Abb. 4-11 zeigt einen Plot-Auszug, in welchem zu sehen ist, dass der korrigierte Graph (grün)

der tatsächlichen Messwert-Kurve (rot) deutlich besser entspricht, als die ursprünglich per Lang-

welle empfangene Prognose-Kurve (blau). Für einen Großteil der hier dargestellten Werte liegt die

Kurve der korrigierten Werte zwischen Prognose und Messung, was unserer prinzipiellen Zielstel-

lung entspricht und die Wirksamkeit der Methode bestätigt. Gut zu erkennen ist dabei auch die

immer wieder auftretende Überschneidung der drei Graphen.

Die Einteilung auf der y – Achse beträgt 2°C.

Abb. 4-11: Beispiel für die Verbesserung der Temperatur-Prognose durch die angewendete Korrektur; Adelboden

Die Abb. 4-12 zeigt dagegen einen Plot-Auszug, der darstellt, wie ein unerwarteter Wetterum-

schwung, in diesem Falle ein plötzlicher Temperatur-Anstieg, dazu führt, dass die durch die Kor-

rektur erzeugten Werte noch weiter vom tatsächlichen IST-Wert abweichen, als die ursprünglich

via Langwelle empfangenen Prognose-Werte. Die Korrekturwerte, die ja für jedes Wetter-Symbol

(Typ signifikanten Wetters) aus einer Auswertung von, maximal 9, zurückliegenden Differenz-

Werten ermittelt werden, sind sowohl „historisch vorbelastet“ und werden auch immer nur zu einem

Seite 44

„N“-ten Teil durch jeden neuen Korrektur-Wert aktualisiert. Daraus ist zu erkennen, dass die Reak-

tions-Geschwindigkeit der Korrektur-Anpassung in solchen speziellen Situationen, auf Basis nur

weniger tatsächlicher Prognose-Werte pro Tag, nicht ausreichend flink ist.

Bezieht man aber die Tatsache mit ein, dass sich in den weiteren Ausbauschritten des MT2-

Systems die Anzahl der Prognose-Werte pro Tag erhöht, wird automatisch auch die Reaktionsge-

schwindigkeit auf solche Wetter-Kapriolen verbessert.

Abb. 4-12: Beispiel für den Einfluss plötzlicher Temperaturwechsel auf die Korrektur; Adel-boden

Die Abb. 4-12 beschreibt zudem auch kein regelmäßiges Verhalten aus der Praxis, sondern wurde

speziell herangezogen, um das Verhalten bei extremen Situationen zu beleuchten. Hier handelt es

sich exakt um jene Situation, bei der sich (siehe Tabelle 4-2) der größte Differenz-Wert zwischen

gemessenem IST-Wert und korrigierter Wetter-Prognose für den Standort Adelboden einstellte.

Eine solche Situation stellt sich über den Jahresverlauf nur sehr selten ein.

Seite 45

4.3 Entwicklung eines Gerätes zum Empfang von Wetterprognosen per Langwelle, Integration von Wettermesstechnik für Vor-Ort-Messungen und Implementierung des Korrekturverfahrens

Die für das Meteotime II – System genutzten EFR-Sender nutzen Trägerfrequenzen im Bereich

von 120 kHz … 140 kHz und eine FSK-Modulation für die zu übertagenden Daten. Diese techni-

schen Anforderungen können mit den verfügbaren Zeitzeichen-Empfängern für DCF77 nicht um-

gesetzt werden. Um diese EFR-Sender, mit dem Anspruch an eine kompakte und energiearme

Aufbauvariante der notwendigen Hardware, empfangen zu können, hat HKW-Elektronik GmbH

einen neuen Empfänger-IC entwickelt, den RE6032. Dieser Schaltkreis erlangte Mitte 2009 seine

Serienreife und stand für die Umsetzung der Aufgabenstellung dieses Projektes zur Verfügung.

Der RE6032 erlaubt sowohl das Realisieren von hoch selektiven 1-Frequenz Empfängern, als auch

von breitbandigen Mehrfrequenz-Empfängern. In die Hardware-Konzeption des zu entwickelnden

Gerätes flossen Erfahrungen aus umfangreichen Vor- und Begleit-Untersuchungen ein, z.B.:

- Schaltungskonzeptionen (Bauteil-Auswahl und Leiterplatten-Layout Gestaltung) für den

Langwellen-Empfangsteil zum Erreichen einer generell guten Empfangs-Empfindlichkeit im

Multiband-Empfang aller 3 Sender.

- Analyse zu geeigneten Antennen-Konfigurationen.

- Testergebnisse zu Ferritstab-Antennen, basierend auf verschiedenen Ferrit-Stab-

Lösungen.

Damit standen die notwendigen Basis-Komponenten für den Aufbau einer zukünftig an Gehäuse

und Umgebungsbedingungen anzupassenden Schaltungstechnik zur Verfügung.

Um die zukünftig zu übertragenden Wetterprognosen vor Manipulation zu schützen und die Einbet-

tung der Daten in das Übertragungsprotokoll sicher zu machen, werden die Daten innerhalb des

MT2-Systems chiffriert übertragen. Die Dechiffrierung der Daten wird durch einen Mikrocontroller in

der entsprechenden Empfangsbaugruppe übernommen, der gleichzeitig auch die Steuerung der

Empfänger-Eigenschaften realisiert (Auswahl der am besten empfangenden Antenne oder des

stärksten zu empfangenden Senders; Nachabgleich der Antennen-Frequenz, etc.).

Als Controller-Ressource wurde zur Bewältigung all dieser anstehenden Software-Aufgaben des-

halb auf den STM32-Controller mit einer Speicherkapazität von 0,5 MB Flash und 64 kB RAM ge-

setzt. Für die Programmentwicklung stehen dabei ein Debug- und ein Trace-Interface zur Verfü-

gung. Über externe Software-Tools ist eine komfortable Programmentwicklung möglich. Der Con-

troller kann mit einer Taktung von 48/72 MHz betrieben werden und für Low-Power Anwendungen

steht ein 32 kHz Oszillator zu Verfügung.

Das Ergebnis der Hardware-Entwicklung ist ein recht universell einsetzbares Board, welches über

ausreichend Ressourcen verfügt, um als Hardware-Plattform nicht nur die aktuell anstehenden

Aufgaben zu erfüllen, sondern auch die Implementierung der nächsten Ausbaustufen des MT2-

Systems zu erlauben.

Seite 46

Eine Übersicht zu den Funktionsblöcken des Boards ist in den folgenden Abschnitten und in der

Anlage dargestellt.

Auf dem Board wurde ein intelligenter Temperatur- und Feuchte-Sensor vom Typ SHT75 einge-

bunden. Er erlaubt mittels I2C BUS-Interface die Abfrage von Temperatur und Luftfeuchte mit ho-

her Genauigkeit. Die Eingangsleitungen sind gegenüber Überspannungen geschützt, so dass der

Sensor auch als abgesetzte Funktionseinheit betrieben werden kann.

Die Betriebsspannung für das Sensor-Board wird aus einer robusten Spannungsversorgung gelie-

fert (5…24 V DC Input), die max. 1,5 A Strom bei 3,3 V liefern kann.

Am Ausgang der Sensorbaugruppe wird eine Modbus-Datenschnittstelle realisiert, über welche die

Gebäudeautomations-Technik [GA] die empfangenen, demodulierten und dechiffrierten Daten zur

Dekodierung und weiteren Verarbeitung abgreifen kann.

Neben den Software-Routinen zur generellen Bedienung des Boards wurden insbesondere folgen-

de System-Software-Module auf der STM32-Plattform entwickelt und implementiert:

- Ansteuerung des RE6032 und Langwellen-Empfang mit AutoScan-Funktion der über die

EFR-Sender abgestrahlten, FSK-modulierten Signale.

- Dechiffrierung und Dekodierung der unterschiedlichen Daten-Dienste (Zeit, Datum, Wet-

terprognose, etc.)

- Temperatur- und Feuchte-Messung

- Algorithmus zur Optimierung der empfangenen Wetter-Prognose-Daten durch Einbeziehen

der vor Ort gemessenen Temperatur-Werte nach dem entwickelten LAFOS-Prinzip

- Bedienung einer Modbus RS485 – Schnittstelle

Abb. 4-13: Umgesetzte Struktur des Boards für den Temperatur-Sensor mit integrierter Prognose-Optimierung für die GLT

Seite 47

Abb. 4-14: Bestücktes Sensor-Board, eingebaut in Gehäuse, mit angeschlossener und drehbar gelagerter Langwellen-Antenne (links), an Mast montierter Sensor (rechts)

4.4 Entwicklung einer Leitungsgebundenen Schnittstelle zur Anbin-dung der Gebäudeautomation

In der Gebäudeautomatisierung [GA] besteht eine wesentliche Aufgabe darin, eine effiziente

Kommunikation zwischen den verschiedenen Sensoren, Schaltelementen, Aktoren und Steue-

rungssystemen zu organisieren. Dazu sind verschiedene Schnittstellen mit unterschiedlichsten

Leistungsmerkmalen in Verwendung. Praktische Beispiele für Feldbussysteme sind z.B.:

• BACnet,

• Digital Addressable Lighting Interface (DALI),

• Ethernet,

• KNX/EIB,

• Interbus,

• Local Operating Network (LON),

• Modbus,

• Profibus,

• Local Control Network (LCN),

• und eBus.

AnschlussleitungTemperatursensor

Spannungsversorgung und Signalleitungen

Temperatursensormit Strahlungs- undWitterungschutz

Elektronik mitLangwellenemfang

Skizze mech. Systemaufbau

Seite 48

Nach Analyse der technisch notwendigen Umsetzungsplattform für diese unterschiedlichen

Schnittstellen-Systeme führte die Bewertung des notwendigen Realisierungs-Aufwandes, der ver-

fügbaren Ressourcen der für die Umsetzung in Frage kommenden Controllertypen und die Aus-

wertung mehrerer Gespräche mit Entwicklern von GA-Technik dazu, dass die Ankopplung der

Sensoren über einen Modbus realisiert wurde.

Mittels Modbus können ein Master (Leiteinrichtung der GA) und mehrere Slaves (z. B. Mess- und

Regelsysteme) miteinander verbunden werden.

Bei der Datenübertragung werden dabei drei verschiedene Betriebsarten unterschieden:

• Modbus ASCII,

• Modbus RTU,

• und Modbus TCP.

Als Übertragungsart wurde für den entwickelten Sensor auf Modbus RTU gesetzt. Der Aufwand für

die Umsetzung und die Anforderungen des Sensors können damit am besten berücksichtigt wer-

den.

Die Inhalte und die Struktur der auf der Schnittstelle übergebenen Daten sind in der Anlage 1

„Auszug Modbus“ beschrieben.

Die elektrische Verbindung der Geräte kann mit Modbus auf verschiedene Art erfolgen. Zum einen

kann eine Verbindung über eine EIA-232 oder EIA-485 und zum anderen über Ethernet erfolgen.

Aus Gründen der angestrebten Übertragungs-Reichweite wurde die EIA-232 Schnittstelle und we-

gen des aufwendigen Übertragungsprotokolls die Ethernet-Schnittstelle ausgeschlossen.

Mit der ausgewählten Verbindungsart EIA-485 können ohne Probleme Daten über Leitungslängen

von mehreren hundert Metern übertragen werden.

Zur energetischen Versorgung des Sensors wurden 24 V Gleichspannung gewählt, weil diese in

der GA eine übliche Spannung ist. Der Anschluss des Gerätes wird mit einem üblichen, für den

Außeneinsatz geeigneten, Datenkabel vorgenommen.

4.5 Test der Prognosen und Evaluierung der Ergebnisse

Die Ergebnisse der theoretischen Betrachtung und die Bewertung der Simulation zum Einsatz des

gewählten Verfahrens der „Langzeitprognose mit interpolierten Prognose-Werten“ wurden im Kapi-

tel 4.2.3 dargestellt. Die Erkenntnis, dass durch die Anwendung dieses Verfahrens eine merkliche

Verbesserung der Wetter-Prognose liefert, führte dazu, dass dieses Verfahren im bereitgestellten

„Gerät zum Empfang von Wetterprognosen per Langwelle“ softwaretechnisch implementiert wurde.

Die praktische Erprobung und Auswertung bedingt einen Langzeit-Feldtest, der sich diesem Pro-

jekt anschließen kann. Die dabei ableitbaren Zwischenergebnisse bzw. evtl. notwendige Anpas-

Seite 49

sungen lassen sich durch eine entsprechende Überarbeitung der Algorithmen und im Rahmen der

verfügbaren Controller-Ressourcen in die bestehende Hardware implementieren und zur weiteren

Verbesserung des Systems einbeziehen.

Diese flexible Update-Fähigkeit ist auch deshalb von Vorteil, da hiermit die Anpassung des Gerätes

an die zukünftigen Ausbaustufen des MT2-Systems erfolgen kann.

Seite 50

5 Entwicklung eines selbstlernenden Algorithmus zur prädikti-ven Heizungsregelung


Ziel dieses Teilprojektes ist ein Algorithmus, der die Heizungsanlage eines Gebäudes so regelt,

dass dieses zu einem beliebig festgesetzten Zeitpunkt t1 eine ebenfalls frei wählbare Temperatur

τZiel hat. Dieses Szenario liegt z.B. bei einem Bürogebäude vor, in dem die Mitarbeiter zum Zeit-

punkt t0 mit der Arbeit beginnen und zu diesem Zeitpunkt ihre Büros mit einer bestimmten Mindest-

temperatur vorfinden sollen. Vor diesem Hintergrund ist es sinnvoll, einige vereinfachende Annah-

men zu treffen:

• Die Kühlung des Gebäudes muss nicht berücksichtigt werden, es geht ausschließlich um

eine Steuerung der Heizung.

• Erwärmung des Gebäudes durch Sonneneinstrahlung ist ebenfalls irrelevant, da nur wäh-

rend der Sommermonate, zu denen das Gebäude ohnehin warm genug ist, diese bereits

vor dem Beginn der Arbeitszeit einen Beitrag zur Energiebilanz des Gebäudes leistet.

Damit hängt die zeitliche Entwicklung der Innentemperatur τ(t) nur von drei Größen ab: der An-

fangstemperatur τ0, der Außentemperatur T(t) und der Wärmezufuhr Q̇(t) durch die Heizung. Wäre

die Wärmezufuhr beliebig hoch wählbar, könnte man den Zeitpunkt, zu dem die Heizung angestellt

wird, beliebig nah am Zeitpunkt, zu dem die Zieltemperatur τZiel erreicht werden soll, wählen. Die

Beschränkung der Wärmezufuhr durch die Dimensionierung der Heizungsanlage macht es jedoch

erforderlich, den Zeitpunkt t0, zu dem Heizphase beginnt, vor den Zeitpunkt t1zu legen, zu dem die

Zieltemperatur τ1erreicht sein soll. Die Schwierigkeit in der Bestimmung des Zeitpunktes t0 liegt in

der Berücksichtigung sowohl externer Einflüsse wie der Änderung der Außentemperatur T(t) als

auch gebäudeeigener Parameter wie Heizungsanlage, Gebäudedämmung etc..

Bei der prädiktiven Heizungsregelung wird die bei konventionellen Heizungsregelungen unbekann-

te Außentemperatur T(t) durch Wettervorhersage als bekannt vorausgesetzt. Dies ist für die kur-

zen Zeitspannen (wenige Stunden), für die wir den zeitlichen Verlauf der Außentemperatur benöti-

gen, eine sinnvolle Annahme. Es verbleibt die Notwendigkeit, das Gebäudeverhalten hinreichend

genau zu beschreiben, um eine ausreichend genaue Bestimmung des Zeitpunktes t0 zu ermögli-

chen. In der vorliegenden Untersuchung wurde dies durch einen selbstlernenden Algorithmus be-

werkstelligt.

Die Vorgehensweise ist die, dass wir zunächst den zeitliche Verlauf der Innentemperatur τ(t) ana-

lytisch beschreiben und anschließend einen Algorithmus entwickeln, der es ermöglicht, die darin

auftretenden Gebäude-Parameter adaptiv während des Betriebes zu bestimmen. Um die Funktion

dieses Algorithmus zu verifizieren, wird das Gebäudeverhalten mittels eines TRNSYS-Modells

simuliert, das seinerseits eine MATLAB-Routine aufruft, die sowohl die Heizungssteuerung als

auch die Anpassung der darin auftretenden Parameter vornimmt:

Seite 51

Abb. 5-1: Schematischer Aufbau der Simulation eines Gebäudes inklusive adaptiver Hei-zungsregelung

Wir beginnen zunächst mit der mathematischen Beschreibung der Innentemperatur τ(t) für den

Fall, dass das Gebäude nicht geheizt wird. In diesem Fall gibt es lediglich einen Wärmestrom von

innen nach außen oder umgekehrt, der proportional zur Temperaturdifferenz innen zu außen ist:

𝑑𝑑𝑡𝜏(𝑡) = 𝛼�𝑇(𝑡) − 𝜏(𝑡)�

Eine Lösung dieser Differentialgleichung ist nur möglich, wenn die Funktion 𝑇(𝑡) bekannt ist. Diese

Außentemperatur 𝑇(𝑡) liegt durch die Wettervorhersage für diskrete Zeitpunkte t̃i, i = 1, 2, … n vor.

Den zeitlichen Abstand zwischen zweier aufeinanderfolgenden Zeitpunkte t̃i und t̃i+1 bezeichnen

wir mit ∆t. Für die Zeiten zwischen diesen diskreten Zeitpunkten nehmen wir einen linearen Verlauf

der Außentemperatur an:

𝑇(𝑡) = 𝑇(�̃�𝑖) + 𝑡−�̃�𝑖∆𝑡

(𝑇(�̃�𝑖+1) − 𝑇(�̃�𝑖))

Dies ist eine sinnvolle Annahme, solange der Zeitabstand ∆t klein ist gegen die Zeitskala, auf der

sich die Außentemperatur signifikant ändert, d.h. wenn sich die Außentemperatur innerhalb eines

Zeitschrittes nur geringfügig ändert. Insgesamt haben wir damit die Differentialgleichung

𝑑𝑑𝑡𝜏(𝑡) = 𝛼 �𝑇(�̃�𝑖) + 𝑡−�̃�𝑖

∆𝑡(𝑇(�̃�𝑖+1) − 𝑇(�̃�𝑖)) − 𝜏(𝑡)� (1)

Diese Differentialgleichung kann mittels Variation der Konstanten gelöst werden, d.h. die Lösung

erfolgt in zwei Schritten:

Seite 52

(1) Im ersten Schritt löst man eine modifizierte (und leichtere) Differentialgleichung, die man

erhält, wenn man die Außentemperatur konstant setzt. Diese so gewonnene homogene

Lösung hat, weil es eine Differentialgleichung erster Ordnung ist, einen freien, aber kon-

stanten Parameter.

(2) Im zweiten Schritt erst löst man die gegebene (kompliziertere) Differentialgleichung, indem

man den Parameter, der in der homogenen Lösung enthalten ist und dort wie oben bereits

gesagt konstant ist, nun als zeitabhängig annimmt. Durch Einsetzen in die gegebene Diffe-

rentialgleichung für 𝜏(𝑡) erhält man so eine Differentialgleichung für den Parameter. In vie-

len Fällen gelingt es, diese Differentialgleichung zu lösen, wonach man durch Einsetzen in

die homogene Lösung auch die ursprüngliche Differentialgleichung gelöst hat.

Um die Darstellung übersichtlicher zu gestalten, verschieben wir den Nullpunkt der Zeit zu �̃�𝑖 und

führen die Abkürzung ∆𝑇 = 𝑇(�̃�𝑖+1) − 𝑇(�̃�𝑖) ein.

Wir beginnen mit Schritt (1) und setzen zunächst die Außentemperatur konstant, d.h. T(t̃i+1) =

T(t̃i) = Ti . Die entstehende homogene Differentialgleichung

𝑑𝑑𝑡𝜏(𝑡) = 𝛼�𝑇𝑖 − 𝜏(𝑡)�

ist elementar und hat deren Lösung, im Folgenden homogene Lösung genannt, lautet:

𝜏(𝑡) = 𝑇𝑖 + (𝜏𝑖 − 𝑇𝑖)𝑒−𝛼𝑡

Diese Lösung enthält, wie oben bereits einen freien Parameter, nämlich die Anfangstemperatur 𝜏𝑖.

Im nächsten Schritt (2) erweitert man die Differentialgleichung indem man die bisher konstante

Außentemperatur durch den linearen Verlauf aus Gleichung (1) ersetzt. Gleichzeitig ersetzt man

die konstante Anfangstemperatur 𝜏𝑖 durch die zunächst unbekannte Funktion 𝜏𝑖(𝑡):

𝜏(𝑡) = 𝑇𝑖 + (𝜏𝑖(𝑡) − 𝑇𝑖)𝑒−𝛼𝑡

Um diesen Ansatz in die Differentialgleichung (1) einsetzen zu können, müssen wir nach der Zeit

differenzieren:

𝑑𝑑𝑡𝜏(𝑡) = −𝛼(𝜏𝑖(𝑡) − 𝑇𝑖)𝑒−𝛼𝑡 +

𝑑𝜏𝑑𝑡𝑒−𝛼𝑡

Nach dem Einsetzen heben sich in der entstehenden Gleichung fast alle Terme weg und wir ver-

bleiben mit einer verhältnismäßig einfachen Differentialgleichung für 𝜏𝑖(𝑡):

𝑑𝑑𝑡𝜏𝑖(𝑡) = 𝛼

𝑡∆𝑡∆𝑇 𝑒𝛼𝑡

Seite 53

Diese Differentialgleichung könnte zwar exakt gelöst werden, was nach dem Anpassen an die An-

fangsbedingungen jedoch zu unnötig komplizierten Ausdrücken führt. Deswegen nähern wir die

darin auftretende Exponentialfunktion durch 1, erhalten also die einfachere Differentialgleichung

𝑑𝑑𝑡𝜏𝑖(𝑡) = 𝛼

𝑡∆𝑡∆𝑇

was gerechtfertigt ist, da die Zeit 𝑡 höchstens ∆𝑡 betragen kann und diese Zeitspanne ∆𝑡 klein ist.

Nach dieser Näherung steht auf der rechten Seite der Differentialgleichung ein Polynom in 𝑡, so

dass die Lösung

𝜏𝑖(𝑡) = 𝜏𝑖(0) +𝛼∆𝑇2∆𝑡

𝑡2

direkt angegeben werden kann. Auch diese Lösung hat wie die oben einen freien Parameter 𝜏𝑖(0),

mit dem man die Lösung an eine beliebige Anfangsbedingung (hier eine Anfangstemperatur) an-

passen kann. Er hat also letztendlich dieselbe Bedeutung wie 𝜏𝑖 für die homogene Differentialglei-

chung, was wir zum Ausdruck bringen, indem wir dasselbe Formelsymbol verwenden, also 𝜏𝑖(0)

durch 𝜏𝑖 ersetzen. Setzt man diese in die homogene Lösung ein, erhält man schlussendlich die

gesuchte Lösung der inhomogenen Differentialgleichung:

𝜏(𝑡) = 𝑇𝑖 + �𝜏𝑖 + 𝛼∆𝑇2∆𝑡

𝑡2 − 𝑇𝑖� 𝑒−𝛼𝑡 (2)

Auf ganz ähnliche Weise betrachten wir die Situation, in der das Gebäude geheizt wird. In diesem

Fall kommt zu dem Wärmeaustausch mit der Umgebung noch ein Wärmestrom Q̇(t) und wir erhal-

ten die Differentialgleichung

𝑑𝑑𝑡𝜏(𝑡) = 𝛼�𝑇(𝑡) − 𝜏(𝑡)� + 𝛽�̇�(𝑡)

Vergleichen wir diese Differentialgleichung mit (1) so erkennen wir, dass diese aus (1) hervorgeht,

indem wir T(t) durch T(t) + βQ̇(t) α⁄ ersetzen. Unter der Annahme, dass Q̇(t) sich innerhalb eines

Zeitintervalls ∆t nicht ändert, können wir die Lösung dieser neuen Differentialgleichung erhalten,

indem wir einfach die entsprechende Ersetzung in der Lösung durchführen:

𝜏(𝑡) = 𝑇𝑖 + 𝛽�̇�(𝑡)𝛼

+ �𝜏𝑖 + 𝛼∆𝑇2∆𝑡

𝑡2 − 𝑇𝑖 −𝛽�̇�(𝑡)𝛼� 𝑒−𝛼𝑡 (3)

Seite 54

Die Lösung enthält also zwei Parameter α und β, die das Verhalten des Gebäudes hinsichtlich der

Angleichung an die Außentemperatur und hinsichtlich der Erwärmung durch Heizen beschreiben.

Diese beiden Parameter werden als zeitlich konstant angenommen, d.h. Änderungen zum Beispiel

der Kesselleistung werden nicht berücksichtigt.

Sind diese beiden Parameter bekannt, kann auf Basis der Wettervorhersage der Zeitpunkt be-

stimmt werden, zu dem die Heizphase spätestens beginnen muss, um die Zieltemperatur zu einem

vorgegebenen Zeitpunkt zu erreichen. Der einfachste Weg dazu ist, dass das Programm diesen

Zeitpunkt nicht in einem Schritt explizit berechnet, sondern in jedem Zeitschritt überprüft, ob dieser

Zeitpunkt bereits erreicht ist oder noch in der Zukunft liegt. Dazu muss das Programm lediglich

prüfen, ob die vorgegebene oder eine höhere Temperatur auch dann erreicht wird, wenn die

Heizphase erst nach dem nächsten Zeitschritt beginnt. In diesem Fall wird noch nicht mit dem Hei-

zen begonnen und nach dem nächsten Zeitschritt erneut geprüft; andernfalls beginnt die Heizpha-

se sofort. Die Vorgehensweise ist zur besseren Verständlichkeit in dem folgenden Flussdiagramm

dargestellt:

Abb. 5-2: Flussdiagramm des Algorithmus zur Entscheidungsfindung, ob die Heizung zu aktuellen Zeitpunkt eingeschaltet werden muss oder nicht

Seite 55

Nach jedem Zeitschritt wird die auf Basis von (2) bzw. (3) prognostizierte Temperatur mit der Tem-

peratur aus der TRNSYS-Simulation verglichen und auf dieser Grundlage die Werte von α und

β angepasst. Da in die Formel (2) für die Entwicklung der Temperatur ohne Heizen der Parameter

β nicht eingeht, kann in diesen Zeitschritten nur der Parameter α angepasst werden. Für diese

Anpassung wird zunächst abgeschätzt, welcher Wert von α zu der anschließend in der Simulation

beobachteten Temperatur geführt hätte. Dazu wird zunächst die Funktion τ(α) als Funktion von α

aufgefasst und um den aktuellen Wert αn linearisiert:

𝜏(∆𝑡,𝛼) = 𝑇0 + �𝜏𝑖 + 𝛼∆𝑇2∆𝑡 − 𝑇0� 𝑒−𝛼∆𝑡

≈ 𝜏(∆𝑡,𝛼𝑖) + 𝜕𝜏𝜕𝛼�𝛼=𝛼𝑖

(𝛼 − 𝛼𝑛) = 𝜏𝑖+1

Die letzte Gleichung lässt sich leicht nach α auflösen:

𝛼 = 𝛼𝑖 + 𝜏𝑖+1−𝜏(∆𝑡,𝛼𝑖)𝜕𝜏𝜕𝛼�𝛼=𝛼𝑖

(4)

Dabei ist

𝜕𝜏𝜕𝛼�𝛼=𝛼𝑖

= (−𝛼𝑖𝜏𝑖 +∆𝑇2∆𝑡(𝛼𝑖2 − 1) + 𝛼𝑖𝑇0) 𝑒−𝛼𝑖∆𝑡

Abschließend werden der so berechnete neue Wert für α und der bisherige Wert αi zu einem neu-

en Wert αi+1 zusammengefasst, der das gewichtete Mittel von α und αi ist:

𝛼𝑖+1 = 11+𝜀

(𝛼𝑖 + 𝜀𝛼) (5)

Die 𝛼𝑖 bilden also eine Folge, bei denen das jeweils nächste (verbesserte) Folgenglied (𝛼𝑖+1) aus

dem aktuellen Folgenglied (𝛼𝑖) und dem Wert 𝛼 aus Gleichung (4) als gewichtetes Mittel gemäß

der Gleichung (5) berechnet wird. Der Parameter ε beschreibt, wie schnell der Wert der 𝛼𝑖 auf

Grund von festgestellten Abweichungen zwischen vorhergesagter und dann festgestellter Tempe-

ratur angepasst wird. Bei einem großen Wert von ε wird dem neu errechneten Wert ein hohes Ge-

wicht beigemessen, während bei einem kleinen Wert von ε dem bisherigen Wert, der ja auf der

Basis von vielen Zeitintervallen gefunden wurde, ein hohes Gewicht gibt. In den Simulationen stell-

te sich heraus, dass ein verhältnismäßig kleiner Wert von ε=1/100, der ein relativ träge Anpassung

der Parameter bewirkt, zu den besten Ergebnissen geführt hat. Nur in der Anfangsphase, in der

auch der bisherige Wert von α auf einer Zahl N an Simulationsschritten beruht, die kleiner als 100

ist, wurde ε = 1/N gewählt.

Seite 56

Auf diese Weise wird in jedem Zeitschritt aus dem bisherigen Wert von α und der Abweichung

zwischen TRNSYS-Simulation und MATLAB-Programm ein verbesserter Wert für α gewonnen.

Im Gegenzug wird in Heizphasen nur der Parameter β angepasst, wobei sich gezeigt hat, dass es

günstiger ist, für die Anpassung von β nur Zeitintervalle zu verwenden, in denen die Heizung annä-

hernd auf Volllast läuft. Der Hintergrund dieser Einschränkung ist, dass für die Vorhersage des

spätmöglichsten Zeitpunktes für den Beginn der Heizphase ebenfalls lediglich das Verhalten bei

maximaler Heizleistung benötigt wird. Die Vorgehensweise der Anpassung des Parameters β ist

völlig analog zu der oben beschriebenen Vorgehensweise beim Parameter α. Als Grundlage dient

nun Gleichung (3), die nun um den aktuellen Wert βi linearisiert wird:

𝜕𝜏𝜕β�𝛼=𝛼𝑖,β=β𝑖

= (1 − 𝑒−𝛼𝑖∆𝑡) �̇�(𝑡)𝛼𝑖

Die entstehende lineare Gleichung wird nach β aufgelöst

β = β𝑖 + 𝜏𝑖+1 −𝜏�∆𝑡,𝛼𝑖, β𝑖�𝜕𝜏𝜕β�𝛼=𝛼𝑖,β=β𝑖

und abschließend der verbesserte Wert βi+1als gewichtetes Mittel von βi und β ermittelt:

β𝑖+1 =1

1 + 𝜀(β𝑖 + 𝜀β)

Wir beginnen die Vorstellung der Ergebnisse mit einer Simulation, die auf Wetterdaten aus Stutt-

gart beruhen:

Abb. 5-3: Simulierter Temperaturverlauf eines Gebäudes in Stuttgart um 08:00 Uhr mit kon-ventioneller Heizungsregelung (blau) und selbstlernender Heizungsregelung (rot)

Seite 57

Dargestellt ist die Temperatur zum Zielzeitpunkt t0 (8 Uhr morgens) über ein Jahr. Die angestrebte

Zieltemperatur betrug 22 °C. Blau dargestellt ist eine konventionelle Heizungsregelung, deren

Heizphase um 8 Uhr morgens beginnt, sofern die Zieltemperatur nicht ohnehin erreicht ist, und um

18 Uhr abends endet. Außerhalb dieser Zeit läuft die Heizung nur, wenn die Temperatur unter

18 °C fällt. Rot dargestellt ist die Temperatur bei Regelung der Heizung auf der Basis des in die-

sem Projekt entwickelten selbstlernenden Algorithmus. Man erkennt, dass zu Beginn der Simulati-

on die rote Kurve deutlich unterhalb der Zieltemperatur verläuft. Nach einer kurzen Lernphase je-

doch sind die Parameter α und β ausreichend genau bekannt und die Temperatur um 8 Uhr beträgt

fast durchweg genau die Zieltemperatur. Mit dem Steigen der Außentemperaturen im Frühjahr und

Sommer wird diese Temperatur bereits ohne Heizen überschritten. Im daran anschließenden

Herbst und Winter hingegen greift wieder die selbstlernende Heizungsregelung und die Innentem-

peratur um 8 Uhr beträgt die angestrebten 22 Grad. Ähnliche Ergebnisse erhält man für alle Orte

mit vergleichbaren Klimabedingungen wie Stuttgart. Aus diesem Grund stellen wir hier noch zwei

Extremfälle mit sehr warmem bzw. sehr kaltem Klima dar: Rom und Moskau.

Bei Rom ist die Warmperiode, in der kein Heizen erforderlich ist, stark ausgedehnt und es verbleibt

nur eine sehr kurze Heizperiode. Dies hat zur Folge, dass der Parameter β, der nur auf der Basis

von Daten innerhalb der Heizperiode bestimmt werden kann, nicht hinreichend genau bekannt ist:

Wir sehen, dass als Folge dieser Unsicherheit im Parameter β die Zieltemperatur in der ersten

Heizperiode (etwa bis zum 50. Tag) nur grob getroffen wird und eine merkliche Stabilisierung bei

22 °C erst in der zweiten Heizperiode (etwa ab dem 300. Tag) eintritt.

Abb. 5-4: Simulierter Temperaturverlauf eines Gebäudes in Rom um 08:00 Uhr mit konventi-oneller Heizungsregelung (blau) und selbstlernender Heizungsregelung (rot)

Im umgekehrten Extremfall sehr niedriger Außentemperaturen, wie sie z.B. in Moskau anzutreffen

sind, ist das Verhalten von Heizung und Gebäude zwar ausreichend genau bekannt, bei sehr tiefen

Temperaturen kann die Zielvorgabe von 22 °C jedoch auch dann nicht erreicht werden, wenn die

Heizung ununterbrochen auf Volllast läuft. Dies führt zu den Temperatureinbrüchen, die wir der

folgenden Abbildung erkennen:

Seite 58

Abb. 5-5: Simulierter Temperaturverlauf eines Gebäudes in Moskau um 08:00 Uhr mit kon-ventioneller Heizungsregelung (blau) und selbstlernender Heizungsregelung (rot)

In einigen Extremfällen betrug die Temperatur um 8:00 Uhr morgens nur ca. 16 °C, bei diesen

Wetterbedingungen lief die Heizung unabhängig von deren Regelung ununterbrochen auf Volllast.

Aber auch während des russischen Winters sorgte die adaptive, selbstlernende Heizungsregelung

an den meisten Tagen dafür, dass die Temperatur um 8:00 Uhr morgens nur geringfügig von den

angestrebten 22 °C abwich.

6 Entwicklung von prädiktiven Algorithmen für thermisch aktive Bauteilsysteme (TABS)


6.1 Prinzip prädiktiver Verfahren

Die Auswertung von Wetterprognosen ist das gemeinsame Kennzeichen aller Arten von prädikti-

ven Automationsverfahren. Diese sind vor allem in Fällen von Nutzen, in denen Systeme großer

Trägheit geregelt werden sollen. Thermisch aktivierte Bauteil Systeme, wie zum Beispiel die Be-

tonkernaktivierung sind ein typischer Anwendungsfall. Es handelt sich hier um Bauteile mit großer

Speicherfähigkeit von thermischer Energie, die aufgrund ihrer langsamen Reaktion mit klassischen

Verfahren der Regelungstechnik nicht zufriedenstellend betrieben werden können. Ist jedoch das

künftige Wetter bekannt, kann das Gebäude und seine Speichermassen vorausschauend auf die

kommenden Verhältnisse eingestellt werden. Dies kommt vor allem dem Komfort zu gute, ermög-

licht aber auch Energieeinsparungen im niederen zweistelligen Prozentbereich.

Abb. 6-1 zeigt den üblichen Aufbau zum Betrieb einer prädiktiven Steuerung für ein TAB-System.

Die Regeleinheit reguliert über ein 3-Wege-Ventil die Vorlauftemperatur und kann in manchen Va-

rianten über die Pumpe auch den Massenstrom regeln. Diese Durchflussregelung wird allerdings

Seite 59

nur noch selten eingesetzt. Als Eingangsgrößen stehen die Temperaturen aus Vor- und Rücklauf,

sowie die Wetterdaten zur Verfügung. Die Wetterprognosen können über das Internet entweder als

Webservice oder als Textdatei per FTP-Download empfangen werden. Im Rahmen dieses Projek-

tes wird auch eine Empfangsmöglichkeit per Langwellenfunk entwickelt, die einen Internetan-

schluss überflüssig macht.

Abb. 6-1: Prädiktive Ansteuerung von Thermisch Aktiven Bauteilsystemen

Die einfachste Anwendung ist die Abwandlung des Verfahrens mit Vorlauftemperaturregelung nach

Heiz- beziehungsweise Kühlkurve, das in Kapitel 6.4 vorgestellt wird. Der Tagesmittelwert der Au-

ßentemperatur, der die Vorlauftemperatur bestimmt, wird hierbei nicht mehr mit den Temperaturen

der vergangenen 24 Stunden, sondern mit den kommenden 24 Stunden der Außentemperatur-

Prognose berechnet. Dadurch erhält man eine bessere Reaktionsfähigkeit auf Witterungsänderun-

gen. Ein Nachteil des Verfahrens wird dadurch jedoch nicht beseitigt, nämlich die häufigen Be-

triebszeiten des TAB-Systems, in denen nur wenig Energie transportiert wird. Diese Zeiten sind

durch geringe Temperaturspreizung zwischen Vorlauf- und Rücklauftemperatur und damit eine

niedrige Effizienz gekennzeichnet. In [KLZ2010] wird eine Methode entwickelt die ermöglicht, ein

TAB-System mit maximaler Effizienz zu betreiben, indem die Vorlauftemperatur nicht mehr variabel

geregelt wird, sondern fest mit minimaler beziehungsweise maximaler Temperatur gefahren wird.

Dies führt zu einer größtmöglichen Temperaturspreizung zwischen Vor- und Rücklauf und damit zu

einer größtmöglichen Effizienz des Gesamtbetriebs. Da auch der Massenstrom fest eingestellt

bleibt, lässt sich die Menge an zu- oder abgeführter thermischer Energie dann allerdings nur noch

durch die Laufzeit der Anlage steuern. Das macht es notwendig, mit Hilfe von mehr oder weniger

komplexen mathematischen Modellen den Energiebedarf eines Gebäudes oder einzelner Zonen

vorherzusagen. Die Entwicklung solcher Modelle wird in den folgenden Kapiteln weitergeführt.

Seite 60

6.2 Entwicklungsumgebung

6.2.1 Software

Für die Entwicklung der Automationsverfahren an den Hochschulen Offenburg und Köln ist eine

einheitliche Testumgebung mit den Programmen TRNSYS und MATLAB erstellt worden. Die Ein-

bindung von MATLAB in die Gebäudesimulation von TRNSYS ermöglicht die Entwicklung und den

Test von mathematisch komplexen Algorithmen. Die Simulation des Gebäudes mit seinen ther-

misch aktiven Bauteilen wird in TRNSYS zuverlässig und bewährt durchgeführt. Die Abbildung der

inneren Lasten sowie die von einfachen Aufgaben der Gebäudeautomation wie die Licht- und Ja-

lousiensteuerung werden ebenfalls in TRNSYS realisiert. Die Entwicklung und die Simulation der

prädiktiven und selbstlernenden Verfahren der TABS-Steuerung werden in MATLAB ausgelagert.

Dies ermöglicht die Realisierung von komplexen mathematischen Verfahren bei voller Integration

in die dynamische Simulation des Gebäudes.

Abb. 6-2: TRNSYS Simulation Studio mit Einbindung von MATLAB

Die Anbindung von MATLAB geschieht durch den in TRNSYS vorhanden type155, der in jedem

Simulationsschritt einen m-File aufruft, in dem die Funktionen der TABS-Steuerung abgearbeitet

werden. Beim Aufruf werden Parameter an MATLAB übergeben, die Ergebnisse werden am Ende

der Bearbeitung von MATLAB an TRNSYS übermittelt.

Seite 61

Die Wetterprognosen werden als ideale Prognosen mit dem Standardwetterdatensatz realisiert,

der auch für die Simulation verwendet wird. Hierfür werden während der Simulation die 120 Stun-

den eingelesen, die auf den aktuellen Zeitschritt folgen.

6.2.2 Versuchsgebäude

Im Zentrum des Interesses steht die Entwicklung von Prädiktiven Algorithmen für den Betrieb der

TABS, das Gebäudemodell ist daher bewusst einfach gehalten worden. Die Fassadengestaltung

sowie deren Orientierung ermöglichen trotzdem den Test der Verfahren an Zonen mit recht unter-

schiedlichen Eigenschaften.

Als Versuchsgebäude ist ein eingeschossiges Gebäude mit sechs Zonen in TRNSYS modelliert

worden. Die Zonen haben alle denselben quadratischen Grundriss mit einer Fläche von 25 m² und

einer Höhe von 3 m. Alle Maße sind Außenmaße. Die Fenster haben eine Fläche von 7,5 m², der

Fensterflächenanteil beträgt 50 %. Die Fassaden mit 3 Fenstern weisen direkt nach Norden bezie-

hungsweise Süden. Die Eckräume haben doppelt so viel Fensterfläche wie die Mittelzonen und

unterscheiden sich daher von letzteren deutlich in ihrem thermischen Verhalten. Die Decken sind

als thermisch aktive Bauteile ausgeführt, die Böden jedoch nicht. Dies bildet reale Gebäude gut ab,

weil Büroräume sehr häufig einen Doppelboden mit Installationsebene besitzen und daher nur eine

geringe thermische Kopplung zwischen Betonboden und dem Raum besteht.

Abb. 6-3: Modell des Versuchsgebäudes in Goole Sketchup

Technische Daten des Gebäudes U-werte:

Außenwände: 0,27 W/m² K

Fenster: 1,4 W/m² K

Decke: 0,15 W/m² K

Boden: 0,27 W/m² K

Aufbau TABS: Rohrdurchmesser: 20 mm

Seite 62

Rohrabstand: 20 cm

Jede Zone ist separat ansteuerbar. Der Massenstrom beträgt 20 kg/m² h. Die Vorlauftemperatur

liegt bei 17 °C im Kühlfall und 28 °C im Heizfall.

Sonstiges Mechanische Lüftung: 1-facher Luftwechsel während der Arbeitszeit.

Undichtigkeit: 0,2-facher Luftwechsel permanent.

Verschattung: Durch Jalousien werden 70 % (Prozentangabe abhängig von den Jalou-

sien) der Sonneneinstrahlung vom Eindringen in den Raum abgehalten.

Schalten erfolgt bei einer Globalstrahlung von 120 W/m² bzw. 140 W/m²

(Hysterese) auf die Fassade.

Beleuchtung: Schalten bei Globalstrahlung (120/200) W/m² auf die Horizontale.

Belegung: Vier Personen (150 W) mit je einem PC-Arbeitsplatz (140 W).

Seite 63

6.3 Methoden

In den folgenden Kapiteln werden verschiedene Methoden prädiktiver Betriebsverfahren entwickelt.

Im Kapitel 6.4 wird eine herkömmliche nicht-prädiktive Steuerung simuliert. Die Ergebnisse dienen

als Referenz zur Bewertung der Ergebnisse der vorgestellten prädiktiven Verfahren. In Kapitel 6.5

wird in Anlehnung an die Methode in [KLZ2010] ein erstes Modell zur Vorhersage des Energiebe-

darfs des Versuchsgebäudes vorgestellt. Das dort entwickelte Prognosemodell bezieht sich auf

das Gesamtgebäude und berücksichtigt nicht den unterschiedlichen Energiebedarf einzelner Zo-

nen, was zu einem unbefriedigenden Gebäudeverhalten führt. Dies ist aber durchaus gewollt, denn

es dient als Basis für die Optimierungsverfahren der Hochschule Köln, die in Kapitel 7 präsentiert

werden. Dabei soll versucht werden, die Fehlanpassung durch selbstlernende Verfahren auszu-

gleichen. Anschließend wird mit einer neuen Methodik ein sogenanntes optimales Modell entwi-

ckelt, das für jede einzelne Zone genau diejenige Energiemenge bestimmen kann, die notwendig

ist, um gerade eben die Komfortbedingungen zu erfüllen. Es wird also vermieden, mehr zu heizen

oder zu kühlen als unbedingt nötig. Eine Möglichkeit um auf Abweichungen des realen Gebäudes

vom idealen Modell oder auch auf Nutzungsänderungen zu reagieren wird in Kapitel 6.7 vorge-

stellt. In Kapitel 6.8 werden die Ergebnisse diskutiert.

6.4 Variation der Vorlauftemperatur ohne Wetterprognose

Als erste Variante ist eine TABS-Steuerung mit variabler Vorlauftemperatur ohne die Auswertung

von Wetterprognosen simuliert worden wie sie heute üblicherweise eingesetzt wird. Eine erste

Verbesserung besteht darin, dass der TABS-Betrieb auf Zeiten zwischen 00:00 Uhr und 15:00 Uhr

beschränkt wird, was zu ersten Einsparungen führt. Wie auch in allen weiteren Modellen soll die

Raumtemperatur in einem Band von 20 °C bis 26 °C gehalten werden.

Die Vorlauftemperatur wird wie in Abb. 6-4 gezeigt in Abhängigkeit der mittleren Außentemperatur

des Vortages geregelt. In der Neutralzone, zwischen 10 °C und 12 °C mittlerer Außentemperatur,

wird weder geheizt noch gekühlt. Die inneren Lasten sorgen bei diesen mittleren Außentemperatu-

ren für eine Anhebung der Raumtemperatur, so dass der thermische Komfort erreicht wird. Diese

mittlere Außentemperatur ist auch unter dem Begriff Heizgrenztemperatur bekannt.

Die Gleichung der in Abb. 6-4 dargestellten Gerade sowie die Neutralzone können in TRNSYS

durch mehrere Jahressimulationen an das Gebäudemodell angepasst werden. Ohne ein Gebäu-

demodell müssen diese Parameter während dem Gebäudebetrieb über ein Jahr durch geschultes

Personal angepasst werden um den thermischen Komfort im Gebäude zu erreichen und die Ge-

bäudenutzer zufriedenzustellen. Durch das Fehlen von extremen Temperaturen kann dieser Pro-

zess noch mehr Zeit in Anspruch nehmen.

Seite 64

Die Gleichung der in Abb. 6-4 dargestellten Geraden lautet

tVL = -0,65 tamb_mean + 28,5 °C

mit

tVL Vorlauftemperatur in °C tamb_mean Mittlere Außenlufttemperatur des Vortages in °C

Abb. 6-4: Heiz- und Kühlkurve für die witterungsgeführte Steuerung

Wegen der unterschiedlichen Ausrichtungen der Räume werden die TABS in zwei Bereiche, in

Nord und in Südlage unterteilt. Hierbei wird im Heizfall die Vorlauftemperatur der Südzone um

0,5 K erniedrigt und im Kühlfall die Temperatur der Nordzone um 0,5 K angehoben. Dies erfordert

den Einbau einer zweiten Temperaturregeleinheit.

Die Ergebnisse werden im Kapitel 6.8 im Vergleich mit dem optimalen prädiktiven Verfahren vor-

gestellt.

12

17

22

27

32

-15 -5 5 15 25 35

Vorla

ufte

mpe

ratu

r in

°C

Mittlere Außentemperatur des Vortages in°C

Heizfall Kühlfall

Seite 65

6.5 Prädiktiver Algorithmus als Basis für selbstlernende Systeme

Ein erster prädiktiver Algorithmus wird auf Basis eines Gebäudemodells mit idealer Heizung und

Kühlung entwickelt. Ideal bedeutet, dass Heizung und Kühlung gerade soviel Energie aufwenden,

dass die gewünschten Mindest- beziehungsweise Höchsttemperaturen eingehalten werden. Die Art

der Heizung spielt hierbei keine Rolle. Es wird diejenige Energie ausgegeben, die dem Raum zu-

geführt oder entzogen werden muss, um die gewünschten Temperaturgrenzen einzuhalten.

Für jeden einzelnen Tag aus dem Standard-Wetterdatensatz für Stuttgart wurde separat gerech-

net. Hierzu wurden 365 neue Wetterdatensätze erstellt in denen sich die einzelnen Tage vier Wo-

chen lang wiederholen. Aus den Simulationsergebnissen wurden die benötigten Energiemengen

getrennt nach Wochenenden und Arbeitstagen extrahiert.

Die Abbildungen Abb. 6-5 bis Abb. 6-8 zeigen den mittleren Energiebedarf aller Zonen über ein

ganzes Jahr. Aus diesen Ergebnissen lassen sich einfache Modelle für den jeweiligen Betriebszu-

stand bilden. Die Formeln der Modelle sind unter den jeweiligen Abbildungen angegeben. Die

Formeln bilden ein einfaches aber recht zuverlässiges Modell für den Energiebedarf des Gebäudes

ab.

E täglicher Energiebedarf für Traum > 20 °C bzw. Traum < 26 °C in kJ

Tmean Tagesmittelwert der Außentemperatur in °C

Imean Tagesmittelwert der Globalstrahlung auf die Horizontale in kJ/(h*m²)

Abb. 6-5: Kühlen Arbeitstag E = -13,5 + Tmean + 4*(Imean/1000)

Seite 66

Abb. 6-6: Wochenende E = -12 + 0,6*Tmean + 3*(Imean/1000)

Abb. 6-7: Arbeitstag E = -1*( -8 + 0,85*Tmean + 5*(Imean/1000))

Seite 67

Abb. 6-8: Heizen Wochenende E = -1*( -16,25 + 1,125*Tmean + 6*(Imean/1000))

Da die Zonen des Gebäudes einen recht unterschiedlichen Energiebedarf haben, führen die Mit-

telwertbildung vor der Modellierung und der einheitliche Betrieb der TABS in allen Zonen zu kei-

nem optimalen Verhalten. Dies ist jedoch gewollt, denn dieser Algorithmus dient als Ausgangszu-

stand für die an der Hochschule Köln zu entwickelnden Optimierungsalgorithmen. Wenn mit die-

sem Verfahren ein optimaler Algorithmus entwickelt werden sollte, müsste die Modellbildung für

jede Zone separat erfolgen. Im Kapitel 6.6 soll jedoch ein anderes Verfahren zur Entwicklung eines

solchen optimalen Steueralgorithmus vorgestellt werden.

Die Ergebnisse des suboptimalen Algorithmus sind in Abb. 6-9 als Jahresdauerlinien der Zonen-

temperaturen während der Arbeitszeit dargestellt. Es zeigt sich vor allem eine zu starke Abkühlung

der Eckbüros bei gutem Verhalten der Nord- und Südzone.

Dieses prädiktive Verfahren ist zusammen mit der Entwicklungsumgebung an die Hochschule Köln

übergeben worden und dient dort als Ausgangspunkt für die selbstoptimierenden Algorithmen. Die

Ergebnisse dieses Arbeitspakets sind in Kapitel 7 dargestellt.

Seite 68

Abb. 6-9: Suboptimaler Algorithmus aufgrund von einheitlichem TABs-Betrieb in allen Zo-nen und der Mittelwertbildung des Energiebedarfs vor der Modellierung, trotz unterschiedli-cher innerer Lasten in den Zonen - Dauerlinien der Raumtemperaturen während der Arbeits-zeit

6.6 Optimaler prädiktiver Algorithmus

In Anlehnung an die im vorherigen Kapitel beschriebene Entwicklung eines prädiktiven Verfahrens

soll hier ein optimaler Algorithmus für jede einzelne Zone gefunden werden. Wieder wird für jeden

einzelnen Tag des Testreferenzjahres das Versuchsgebäude simuliert. Es wird jetzt jedoch nicht

mit idealer Heizung und Kühlung gearbeitet, sondern das Gebäudemodell ist um die thermisch

aktive Geschoßdecke erweitert worden. Das dynamische Verhalten der Betonkernaktivierung kann

damit in die Betrachtung einbezogen werden.

Um für jeden Tag die optimale Betriebsweise zu erhalten, wird folgendermaßen vorgegangen. Es

wird ein TABS-Betrieb mit konstantem Massenstrom und festen Vorlauftemperatur von 17 °C im

Kühlbetrieb und 28 °C im Heizbetrieb gefahren. Die Menge an zu- beziehungsweise abgeführter

Energie wird allein durch die Laufzeit der Zirkulationspumpen gesteuert. Die Betriebszeit wird in die

Nacht und den frühen Morgen gelegt, die Mitte der Betriebsdauer liegt konstant bei 06:00 Uhr mor-

gens. Wurde beispielsweise eine optimale Betriebszeit der TABS von 10 Stunden am Tag ermittelt,

startet die Zirkulationspumpe um 01:00 Uhr morgens und endet um 11:00 Uhr vormittags. Für die

Mitte der Betriebsdauer wurde 06:00 Uhr morgens gewählt, da die thermische Energie der TABS

Seite 69

verzögert zur Verfügung steht und die internen Lasten während des Vor- und Nachmittags in die

Zonen eingebracht werden. Die Betriebsdauer und Betriebsart Heizen oder Kühlen werden in ei-

nem Optimierungsprozess so lange variiert, bis die Raumtemperaturen in den geforderten Grenzen

20 °C bis 26 °C liegen. Abb. 6-10 zeigt das Ergebnis für die Zone Nord. Dargestellt sind für jeden

Tag des Jahres die maximale und die minimale Raumtemperatur. Der erforderliche Rechenauf-

wand ist erheblich und kann nur durch programmgesteuerte Aufrufe der Simulationsläufe und au-

tomatisierte Auswertung der Ergebnisse bewältigt werden.

Abb. 6-10: Ergebnisse Optimierungsalgorithmus

Die Ergebnisse für den Energiebedarf einer jeden Zone lassen sich mit einem multiplen linearen

Regressionsverfahren fitten. Dabei werden die Koeffizienten einer linearen Gleichung nach der

Methode der kleinsten Fehlerquadrate bestimmt. Die Gleichung hat die allgemeine Form

𝑌 = 𝑏0 + 𝑏1 ∗ 𝑋1 + 𝑏2 ∗ 𝑋2

Die Koeffizienten b0, b1 und b2 erhält man als Ergebnis des Regressionverfahrens. Das gesuchte

Modell zur Bestimmung des Wärmebedarfs lautet

𝐸 = 𝑏0 + 𝑏1 ∗ 𝜗𝑎𝑚𝑏�� + 𝑏2 ∗ 𝐼𝐺,ℎ𝑜𝑟��

Seite 70

E thermischer Energiebedarf in kWh

ϑamb�� Tagesmittelwert der Außentemperatur in °C

IG,hor�� Tagesmittelwert der Globalstrahlung auf die Horizontale in W/m²

Durch die Unterscheidung von Arbeitstag/Wochenende sowie Heizen/Kühlen ergeben sich für jede

Zone vier solcher Regressionsmodelle, mit denen aus einer Wetterprognose der Energiebedarf der

Zone für den Prognosezeitraum errechnet werden kann. Abb. 6-11 zeigt das Ergebnis für den

Kühlbetrieb an Arbeitstagen in Zone SE. Mit diesem prognostizierten Energiebedarf kann die Ge-

bäudeautomation die zu- oder abzuführende Energie eines jeden Tages für jede Zone vorhersagen

und die TABS-Steuerung entsprechend betreiben. Die Energie wird den TABS in der Nacht entzo-

gen beziehungsweise zugeführt. Dabei wird mit fester Vorlauftemperatur und festem Massenstrom

gearbeitet, im Kühlfall mit 17 °C und im Heizfall mit 28 °C Vorlauftemperatur. Dadurch kann in kür-

zest möglicher Zeit die erforderliche Energie eingebracht beziehungsweise entzogen werden, was

die Effizienz des Gesamtsystems maximiert. In [KLZ2010] ist dieses Verfahren genauer untersucht

worden und ermöglichte die Reduzierung der Pumpenlaufzeit um 70 %.

Abb. 6-11: Zwei Ansichten des multiplen linearer Fits für den Kühlenergiebedarf an Arbeits-tagen in Zone SE

Die Simulation ist recht aufwendig und daher für die Praxis nur in Ausnahmefällen geeignet. Die

Reduzierung auf nur wenige typische Zonen ist eine Möglichkeit der Vereinfachung. Eine sehr pra-

xistaugliche Methode das beschriebene Regressionsverfahren anzuwenden, bietet sich jedoch in

der Modellbildung aus laufenden Betriebsdaten. Sind aus der Vergangenheit Wetterdaten und

Energiebedarf eines Gebäudes bekannt, lässt sich mit dem beschriebenen Verfahren sehr einfach

ein Energiebedarfsmodell erstellen, das dann für eine effiziente TABS-Steuerung verwenden kann.

Schon die Messdaten von wenigen Tagen, in denen das Gebäude gut funktioniert hat, ermöglichen

Seite 71

die Modellbildung. Diese kann dann im weiteren Verlauf weiter optimiert werden. Von dem Projekt-

partner FMbase wurde ein multiples lineares Regressionsverfahren für den Einsatz in der Gebäu-

deleittechnik entwickelt und in der SCADA-Software der Firma Wonderware integriert.

6.7 Sensitivitätsanalyse

Ausgehend von den Ergebnissen des Optimierungsverfahrens im vorigen Kapitel sind weitere Un-

tersuchungen erfolgt, um den Zusammenhang zwischen Temperaturfehler und dazugehörigem

Energiemengenfehler zu bestimmen. Für alle sechs Zonen wird unterschieden zwischen Arbeitstag

und Wochenende. Die Laufzeiten der TABS sind hier variiert worden. Ausgehend vom optimalen

Wert wurde die TABS-Laufzeit in 15 Minuten - Schritten bis zu einer Grenze von +/- 4 Stunden

variiert. Daraus ergeben sich 16 Wertepaare von deltaT und deltaE. Der Wert deltaT errechnet sich

aus der Differenz der aktuellen Maximal- oder Minimaltemperatur zu den Grenztemperaturen von

26 °C und 20 °C im optimalen Betrieb, deltaE ist die durch die unterschiedliche Laufzeit bedingte

Änderung in der zu- beziehungsweise abgeführten Menge an Energie.

Abb. 6-12: Ergebnisse der Sensivitätsanalyse der Zone Südost

In Abb. 6-12 sind die Ergebnisse für einen Arbeitstag und Kühlbetrieb in der Zone Südost abgebil-

det. Aus dem Diagramm lässt sich zum Beispiel ablesen, dass eine Verminderung der aus der

Zone abgeführten Energie um 10.000 Joule zu einer Erhöhung der maximalen Raumtemperatur

um circa 2,3 K führen wird. Der lineare Zusammenhang zwischen deltaT und deltaE ist deutlich zu

Seite 72

erkennen. Er ist offensichtlich auch unabhängig von der mittleren Außentemperatur, die im Dia-

gramm als Farbwert angezeigt wird. Dies gilt für alle Zonen unabhängig von Heiz- oder Kühlbe-

trieb. Für jede Zone sind jeweils für die Betriebsarten Heizen und Kühlen Regressionsgeraden

berechnet worden. Die Geraden für die Eckbüros sind nahezu identisch, ebenso die für die beiden

Nicht-Eckbüros. Die typischen Regressionsgeraden zeigt Abb. 6-13.

Das Wissen um den Zusammenhang zwischen Temperaturfehler und Energiefehler ermöglichen

die Optimierung des TABS-Betriebs. Angenommen, es würde im sommerlichen Kühlbetrieb festge-

stellt, dass die Höchsttemperaturen in den Räumen bei ungefähr 27 °C liegen, kann die täglich

abzuführende Energie nach Abb. 6-13 um 2 kWh erhöht werden. Ein solches „Expertenwissen“

kann in einem Fuzzy-Expertensystem wie in [KLZ2010] beschrieben in einem automatisierten Pro-

zess verwendet werden. Die fortwährende Korrektur des Energiebedarfsmodells eines Gebäudes

wäre auf diese Weise aufgrund der Erfahrung aus dem Gebäudebetrieb selbst möglich und soll in

einem Pilotprojekt im Anschluss an dieses Forschungsvorhaben realisiert werden. Hierfür ist es

notwendig, dass die Gebäudeautomation in der Lage ist mit Fuzzy-Systemen zu arbeiten. Der Pro-

jektpartner FMbase hat im Rahmen dieses Projekts ein komplettes Fuzzy-System für die SCADA-

Software der Firma Wonderware entwickelt.

Abb. 6-13 Typische Regressionsgeraden

Seite 73

6.8 Ergebnisse

Die Ergebnisse des optimalen prädiktiven Betriebs aus Kapitel 6.6 werden hier vorgestellt und mit

dem Betrieb aus Kapitel 6.4, dem Betrieb mit Variation der Vorlauftemperatur ohne die Auswertung

von Wetterprognosen, auch konventioneller Betrieb genannt, verglichen.

Zu diesem Zweck sind auf den folgenden Seiten eine Reihe vergleichender Diagramme abgebildet,

die eine Bewertung der Leistungsfähigkeit ermöglichen.

Der Raumkomfort wird in Form von Jahresdauerlinien in den Abb. 6-14 bis Abb. 6-17 dargestellt.

Mit beiden Verfahren ist es möglich, den Raumkomfort gut einzuhalten. Zu kalte Temperaturen gibt

es praktisch keine, Temperaturen über 26 °C tauchen nur recht selten auf und sind in beiden Fäl-

len akzeptabel. Die beiden Detaildarstellungen zeigen die Überlegenheit der optimalen prädiktiven

Steuerung, es gibt deutlich weniger Überhitzungsstunden als im konventionellen Betrieb. Die De-

taildarstellung in Abb. 6-16 und Abb. 6-17 zeigen noch einen weiteren charakteristischen Unter-

schied. Im prädiktiven Betrieb laufen die Dauerlinien sehr gebündelt in den oberen Grenztempera-

turbereich ein. Das zeigt, dass im Unterschied zum konventionellen Betrieb weniger Energie ver-

schenkt wurde. Dieses unnötige Kühlen im konventionellen Betrieb zeigt sich in der weiten Streu-

ung der Linien. Vor allem die Eckbüros wären mit weniger Kühlung ausgekommen. Zusammenfas-

send lässt sich feststellen, dass beide Verfahren einen guten Raumkomfort erreichen, mit leichten

Vorteilen für den optimalen prädiktiven Betrieb bei den Überhitzungsstunden.

Der Energiebedarf ist in den Abb. 6-18 bis Abb. 6-21 dargestellt. In Abb. 6-18 und Abb. 6-19 ist der

tägliche Energiebedarf von zwei typischen Zonen aufgezeichnet. Tag 1 entspricht dabei dem 1.

Januar und Tag 365 dem 31. Dezember des verwendeten Testreferenzjahres. Deutlich ist der hö-

here Energieeinsatz, vor allem im Heizbetrieb, zu erkennen. Auch die geringere Überlappung von

Heiz- und Kühlphasen ist gut zu erkennen. Der gesamte Energiebedarf für Kühlen und Heizen ist

für jede Zone in den Abb. 6-20 und Abb. 6-21 dargestellt. Der optimale prädiktive Betrieb benötigt

durchweg weniger Energie, in der Jahressumme sind dies mehr als 20 % Einsparung an thermi-

scher Energie, 16,5 % Einsparung für die Kühlung und 25,5 % Einsparung für die Heizung des

Gebäudes.

Zum Anschluss des Vergleichs sind in Abb. 6-22 die Pumpenlaufzeiten der beiden Betriebsweisen

dargestellt. Die Laufzeit über das ganze Jahr beträgt beim konventionellen Betrieb 5035 h. Der

prädiktive Betrieb erfordert je nach Zone eine Betriebsdauer zwischen 1251 h und 2396 h. Das

heißt, die Anlage und damit auch die Pumpe ist 2396 h in Betrieb, kann aber während 1251 h mit

reduzierter Leistung betrieben werden. Die Zonen können mit einem Magnetventil einzeln abge-

sperrt und so auch bei laufender Anlage außer Betrieb genommen werden.

Die Ergebnisse zeigen in eindeutiger Weise, dass eine prädiktive Steuerung in Verbindung mit der

Möglichkeit effizienten Betriebs durch maximale beziehungsweise minimale Vorlauftemperaturen

gegenüber einer konventionellen Steuerung erhebliche Energieeinsparungen möglich macht. Eine

Seite 74

Komfortverbesserung ist auch bei plötzlichen Wetterwechseln zu erwarten, da die Speichermassen

des Gebäudes vorrauschauend beladen werden. Dies wurde in [KLZ2010] detaillierter untersucht.

Abb. 6-14: Temperaturdauerlinien Konventioneller Betrieb

Variation der Vorlauftemperatur nicht-prädiktiv

Optimaler prädiktiver Betrieb

Seite 75

Abb. 6-15: Temperaturdauerlinien Optimaler Prädiktiver Betrieb

Abb. 6-16: Temperaturdauerlinien Konventioneller Betrieb im Detail

Abb. 6-17: Temperaturdauerlinien Optimaler Prädiktiver Betrieb im Detail

Variation der Vorlauftemperatur

nicht-prädiktiv

Optimaler prädiktiver Betrieb

Seite 76

Abb. 6-18: Vergleich des täglichen Energiebedarfs in Zone Nord

Abb. 6-19: Vergleich des täglichen Energiebedarfs in Zone Südost

Seite 77

Abb. 6-20: Vergleich des Jahresheizenergiebedarfs Konventioneller/Prädiktiver Betrieb

Abb. 6-21: Vergleich des Jahresheizenergiebedarfs Konventioneller/ Prädiktiver Betrieb

Seite 78

Abb. 6-22: Vergleich der Pumpenlaufzeiten Konventioneller/ Prädiktiver Betrieb

Seite 79

7 Selbstlernende Optimierungsalgorithmen für die Steuerung von thermoaktiven Bauteilsystemen

Erstellt durch: Hochschule Köln

An der Fachhochschule Köln sind lernfähige Systeme untersucht worden, die das Verhalten prädik-

tiver Algorithmen im laufenden Betrieb optimieren sollen. Die Entwicklungsarbeit dieses Kapitels

wird aus [ELA2011] referenziert. Ziel der prädiktiven Algorithmen in der Gebäudeautomation ist die

Einhaltung komfortabler Raumtemperaturen auch bei Nutzungsänderungen des Gebäudes. Damit

ist gemeint, dass eine maximale Raumtemperatur von 26 °C nicht überschritten wird bzw. eine

minimale Raumtemperatur von 22 °C nicht unterschritten wird. Insbesondere sind diese Vorgaben

während der Bürozeiten zu beachten, d.h. zwischen 8:00 und 18:00 Uhr. Die Wochenenden und

Abendstunden sind unkritisch, da die TABS-Klimatisierung meist in Nichtwohngebäuden Anwen-

dung findet.

In Gebäuden werden verschiedene Räume thermisch unterschiedlich belastet. In diesem Fall spie-

len nicht nur interne Lasten wie z.B. Computer oder Anzahl an Personen eine Rolle, sondern auch

die geographische Lage. Ein nach Süden gerichteter Raum hat eine höhere Solarstrahlungsbelas-

tung, als ein Raum der nach Norden gerichtet ist. Letzteres gilt zumindest für Gebäude, die sich in

Deutschland befinden. Aus diesem Grund ist es notwendig, jeden Raum bzw. jede Zone unabhän-

gig voneinander zu betreiben und somit verschiedene Steuerfunktionen zu definieren. Dieses wird

durch den Algorithmus ermöglicht, der je nach betrachteter Zone eine genauere Gewichtung der

Variablen vornimmt.

Eine weitere Besonderheit des Systems soll die Lernfähigkeit sein. Wichtig ist, dass der Algorith-

mus die Steuerfunktion im laufenden Betrieb so anpasst, dass eine Veränderung im Verhalten des

Gebäudes erfasst wird und auf die Veränderung reagiert werden kann.

Die Lernfähigkeit besteht darin, dass eine Rückkopplung der Regelstrecke mit gemessenen Raum-

temperaturen realisiert wird und eine Anpassung der Steuerfunktion im laufenden Betrieb möglich

ist. Der Algorithmus soll auf diese Weise adaptiv bei unterschiedlichen Gebäuden oder bei einem

geänderten Nutzungsverhalten des gleichen Gebäudes eingesetzt werden können. Die auf der

Basis von Regressionsmodellen (RM) und künstlichen neuronalen Netzen (KNN) entwickelten

Algorithmen werden in MATLAB umgesetzt und mit TRNSYS gekoppelt. Dabei ist MATLAB zu-

ständig für die Berechnung der benötigten Kühl- und Wärmemengen und TRNSYS für die Simula-

tion des Verhaltens des Gebäudes.

Seite 80

7.1 TRNSYS 17

TRNSYS ist eine von der Solar Energy Laboratory der University of Wisconsin entwickelte Soft-

ware. Der folgende Abschnitt dient als kurze Einführung in die Simulationssoftware. Angefangen

wird mit der Vorstellung der verschiedenen Komponenten und ihrer mathematischen Definition,

gefolgt von den drei wichtigsten Benutzeroberflächen, die für diese Arbeit relevant sind.

TRNSYS ist eine sehr mächtige Simulationssoftware, die vor allem für die Validierung neuer Ener-

giekonzepte in Gebäuden benutzt wird. TRNSYS bietet die Möglichkeit, Simulationen von sehr

einfachen Systemen durchzuführen, z.B. Warmwassersysteme kleinerer Häuser, aber auch von

großen Gebäuden mit allen ihren Komponenten. Regelstrategien, Raumbelegungen und die Be-

nutzung regenerativer Energien für die Energieerzeugung lassen sich in TRNSYS abbilden. Dar-

über hinaus gibt es bei TRNSYS Schnittstellen zu verschiedenen Applikationen, wie Microsoft

Excel und MATLAB u.a. Diese zusätzliche Software kann je nach Bedarf während einer Simulation

aufgerufen werden. Insbesondere für diese Arbeit war die Kopplung mit MATLAB sehr nützlich, um

die entwickelten Algorithmen zu testen und zu validieren.

7.1.1 Mathematische Definition des Gebäudemodells

Für den folgenden Teil der Arbeit sind Variablen und Indizes wie folgt zu interpretieren:

Variablen:

c : spezifische Wärme [J/kg K]

d : Abstand [m]

l : Länge der Rohre [m]

m : Massendurchfluss [kg/s]

n : Anzahl der Rohrabschnitte [-]

R : Wärmewiderstand [m² K/W]

δ : Außendurchmesser der Rohre [m]

λ : Wärmeleitfähigkeit [W/m K]

U : Wärmeübertragungskoeffizient [W/m²K]

Φ : Korrekturfaktor [-]

Indizes:

r : Rohrmantel

sp : spezifisch

Seite 81

t : Gesamt

w : Wasser, Flüssigkeit

x : x-Richtung

y : y-Richtung

z : z-Richtung

b : Bauelement

1 : Raumseite 1

2 : Raumseite 2

3 : Äußere Oberfläche der Rohre

Ein Gebäudeaufbau mit der Software TRNSYS ist ein sehr komplexes Modell. Die vielen Einstell-

möglichkeiten werden später vorgestellt. Im Folgenden erfolgt die mathematische Definition eines

solchen Modells. Auch auf die Berechnung der TABS wird eingegangen, denn dieses ist ein wichti-

ger Bestandteil dieser Entwicklungsarbeit.

Ein Gebäude mit TRNSYS besteht aus einer oder mehrerer thermischer Zonen, die sich natürlich

gegenseitig beeinflussen. Die Berechnung in den Zonen erfolgt mit konvektiver Wärmeübertragung

sowie mit Wärmeübertragung durch Strahlung.

Die konvektive Wärmeübertragung iQ wird aus den folgenden Variablen zusammengestellt, wie in

der Abb. 7-1 zu sehen ist [TRN2010]:

icpicgventii QQQQQ lg,,,inf, +++=

iQinf, : Wärmegewinne durch Zugluft [kJ/h]

ventQ : Wärmegewinne durch Ventilation [kJ/h]

icgQ ,, : Wärmegewinne durch innere Lasten [kJ/h]

icpQ lg, : Wärmegewinne durch Wärmefluss zwischen Zonen [kJ/h]

Für die übertragene Wärmeleistung gilt im Allgemeinen:

)( 21 WW TTdAQ −⋅⋅= λ

Seite 82

A : Fläche des Körpers [m²]

d : Dicke des Körpers [m]

λ : Wärmeleitfähigkeit [W/m K]

1WT :Temperatur der wärmeren Oberfläche [K]

2WT : Temperatur der kälteren Oberfläche [K]

Die Wärmeübertragung durch Strahlung iwrQ ,

berechnet TRNSYS wie folgt:

gainwallwlongwsolwirgwr QQQQQiiii −+++=

,,,,,,

iwirgQ ,,, : Gewinne durch innere Lasten [kJ/h]

iwsolQ , : Gewinne durch solare Einstrahlung [kJ/h]

iwlongQ , : Strahlungsaustausch zwischen Wänden [kJ/h]

gainwallQ − : Benutzerspezifizierte Wärmeübertragung zur Wand [kJ/h]

Zu beachten ist, dass die Gewinne durch solare Einstrahlung alle Wänden und Fenster geschieht.

In der Abb. 7-2 wird gezeigt wie die Wärmeübertragung durch Strahlung für eine Wand darzustel-

len ist. Die Berechnung der Oberflächentemperatur findet an einem Knoten der Wand statt.

Seite 83

Abb. 7-1: Konvektive Wärmeübertragung [TRN2010]

Abb. 7-2: Wärmeübertragung durch Strahlung [TRN2010]

7.1.2 Modell der thermoaktiven Bauteilsysteme Thermoaktive Bauteilsysteme (TABS) sind sehr komplexe Systeme, die in TRNSYS modelliert

werden. Wegen des endlichen Abstands zwischen den Rohren findet eine konstante gegenseitige

Beeinflussung statt. Darüber hinaus ändert sich die Mediumtemperatur innerhalb der Rohre. Diese

Eigenschaften machen die Modellierung von TABS zu einem drei-dimensionalen Problem, das sich

mit Hilfe von Finite Elemente Methode (FEM) lösen lässt.

Die Methode der finiten Elemente stellt ein allgemeines mathematisches Diskretisierungsverfahren

für Kontinuumsprobleme dar, mit dem das mechanische Verhalten von beliebig geformten, festen

Körpern mit sehr guter Näherung bestimmt werden kann [FEM2004].

Seite 84

Eine übliche Denkweise, um komplexe Zusammenhänge zu erfassen, ist die Idealisierung eines

Gesamtproblems durch Zerlegung in eine endliche Anzahl einfach zu beschreibender Teilproble-

me. Genau dieser Grundgedanke liegt der Finite-Elemente-Methode zugrunde.

Eine grundlegende Vorgehensweise der FEM ist wie folgt:

• Zerlegung des zu betrachtenden Körpers in eine endliche Anzahl von geometrisch be-

schreibbaren Strukturelementen.

• Aufstellung der Gleichgewicht- bzw. Bewegungsgleichung, die das idealisierte System be-

herrschen.

• Lösung dieser Gleichungen.

Somit überführt die FEM ein kontinuierliches Problem in ein diskretes Problem und liefert dabei

eine approximative Lösung. Mit einem erhöhten Diskretisierungsgrad wird eine Annäherung der

approximativen Lösung an die exakte Lösung erreicht.

Der Grund, dass FEM großen Anklang gefunden hat, besteht darin, dass erstens die Struktur, die

berechnet werden soll, kaum eingeschränkt werden muss. Zweitens die Aufstellung der beherr-

schenden Gleichungen relativ einfach ist und drittens die auftretenden Systemmatrizen gute nume-

rische Eigenschaften haben und somit effizient berechnet werden können.

Die Klassifizierung der von FEM behandelten Probleme erfolgt hauptsächlich nach den beiden

Kriterien Linearität und zeitliche Abhängigkeit des Gleichgewichtszustandes. Ein lineares Problem

setzt voraus, dass die Verschiebungen der Finite-Elemente-Gruppierung infinitesimal klein sind

und, dass das Material des zu betrachtenden Körpers linear elastisch ist. Ein nichtlineares Problem

weist hingegen die Möglichkeit großer Verschiebungen, Verzerrungen oder nichtelastischen Mate-

rialverhaltens auf. Je nachdem, ob die auf die Körper einwirkenden Lasten sich mit der Zeit schnell

ändern, werden die Probleme unter dem zweiten Kriterium noch in statische oder dynamische un-

terteilt.

Die Diskretisierung des Problems verursacht für TRNSYS jedoch lange Rechenzeiten und setzt

Kenntnisse für die Definition eines sinnvollen FEMs voraus. Deshalb wird in TRNSYS ein einfache-

res Rechenmodell benutzt das im Vergleich mit FEM auch sehr gute Ergebnisse liefert, wie dieser

Arbeit später zu entnehmen ist.

Die Lösung des stationären Problems für die Wärmeübertragung zwischen die Oberflächen und

Räumen wird bei den folgenden Formeln definiert [FEM2004].

( ) ( ) ( )1221

211311 1 ϑϑϑϑ −⋅

+⋅

⋅Φ−+−⋅Φ=UUUUUq

Seite 85

( ) ( ) ( )2121

212322 1 ϑϑϑϑ −⋅

+⋅

⋅Φ−+−⋅Φ=UUUUUq

Die graphische Darstellung ist in der Abb. 7-3 zu sehen.

Abb. 7-3: Grafische Darstellung eines thermoaktiven Bauteilsystems [TRN2010]

In TRNSYS sind vier Wärmewiderstände definiert, die das Problem beschreiben und damit zur

Berechnung der Lösung beitragen. Der Wärmewiderstand xR beschreibt den gegenseitigen

Einfluss zwischen den Rohren. Dieser Widerstand ist abhängig von zwei geometrischen Variablen,

nämlich dem Abstand zwischen den Rohren und dem Rohrdurchmesser, außerdem spielt die

Leitfähigkeit des Materials der Rohre eine Rolle. Die Betonkernaktivierung ist gemäß TRNSYS wie

folgt definiert:

b

xx

x

dd

Rλπδπ

⋅⋅

⋅⋅

=2

ln

Der Wärmeübergang zwischen den Rohren und dem Beton wird mit den Widerständen wR und

rR beschrieben. Es sind in diesem Fall zwei Variablen notwendig denn diese Wärmeübertragung

findet durch Konvektion oder durch wärmeleitung statt.

87.013.0 20.8

⋅⋅−

⋅⋅

=lmddR

sp

rxw

δπ

πλδ

δ

⋅⋅

⋅−

⋅=

r

rx

r

dd

R2

2ln

Seite 86

Die bisher betrachteten Variablen beschreiben das zwei-dimensionale Problem auf der x-y-Ebene.

Es ist aber schon bekannt, dass sich die Temperatur des Mediums im Rohr auch verändert.

Deswegen wird der Wärmewiderstand zR gebraucht, um in das drei-dimensionale Problem zu

umgehen.

cmR

spz ⋅⋅=

21

Der Gesamtwiderstand ist dementsprechend die Summe der vier letzten Widerstände. Er hat keine

Variable, die ausschliesslich für den stationären Zustand gilt, und deshalb sollte dieses Modell ein

äquivalentes Ergebnis liefern wie in der Berechnung mit FEM.

Abb. 7-4: Struktur von TABS [TRN2010]

b

xx

r

rx

sp

rx

spt

dd

ddlm

dd

cnmR

λπδπ

λπδ

δ

π

δ

⋅⋅

⋅⋅

+⋅⋅

⋅−

⋅+

⋅

⋅⋅−

+⋅⋅⋅

=2

ln

22

ln

0.8

2

21

87.0

13.0

Der Vergleich zwischen den beiden Modellen und somit auch die Validierung des TRNSYS-

Modells wird in folgendem Beispiel gezeigt. Betrachtet wird ein TABS wie in der Abb. 7-5. Es

werden zwei Varianten untersucht. Die erste ist die Sprungantwort des Systems, dabei wird die

Mediumanfangstemperatur von 20 °C auf 30 °C sprungartig erhöht. Die zweite Variante ist die

gleiche Erhöhung der Temperatur, dieses Mal aber nur für eine Dauer von fünf Stunden. Die

Ergebnisse werden in den Abb. 7-6 und Abb. 7-7 angezeigt. Es ist deutlich zu erkennen, dass das

TRNSYS-Modell genau so gute Ergebnisse liefert, mit dem Vorteil, dass Rechenzeit deutlich

eingespart werden kann. Auf diese Weise erfolgt die Berechnung der TABS bei TRNSYS mit einer

hohen Genauigkeit.

Seite 87

Abb. 7-5: TABS Element [TRN2010]

Abb. 7-6: Vergleich Sprungantwort [TRN2010]

Abb. 7-7: Vergleich Impulsantwort [TRN2010]

Seite 88

7.1.3 TRNSYS Bedienungsoberfläche

Die Hauptbedienungsoberfläche von TRNSYS ist die TRNSYS-Simulation-Studio (siehe Abb. 7-8).

Hier lassen sich Projekte einfach per „Drag-and-Drop“ erstellen. Auf der linken Seite befindet sich

eine Toolbar, wo der Zugriff auf alle TRNSYS Komponenten erlaubt wird. In TRNSYS werden die

verschieden Komponenten als „Type“ bezeichnet. So ist z.B. der „Type155“ für die Kopplung mit

MATLAB zuständig. Mit einem Doppelklick auf die Types ist eine Änderung der Parameter möglich.

Nach dem Einfügen von Types auf die Benutzeroberfläche, lassen sich die Komponenten verbin-

den. Übertragungen von Inputs bzw. Outputs von Komponente zu Komponente werden durch

Doppelklick auf die Verbindungslinien festgelegt.

Bei der Simulation erstellt TRNSYS ein sogenanntes Input-File, auch Deckfile genannt (.dck), das

die gesamte Information über das Projekt enthält. Dieses geschieht aber in Textform und wird für

den Benutzer zur Verfügung gestellt. In diesem Input-File lassen sich auch Veränderungen am

Projekt vornehmen, allerdings ist die schon erwähnte Benutzeroberfläche viel freundlicher - vor

allem für Nichtexperten.

Nach der Simulation wird ein Output-File erstellt, welches eine Darstellung der Ergebnisse enthält

und damit sehr nützlich für die Fehlerbehebung ist. In ihr wird auf die genaue Stelle hingewiesen

wo der Fehler entstanden ist.

Die Simulation findet in der TRNSYS Simulation Engine statt (Abb. 7-9). Hier werden alle Aus-

gangsvariablen dargestellt. Es gibt die Möglichkeit in einem Graphen zwei Y-Achsen mit unter-

schiedlicher Skalierung festzulegen. Die Darstellung jeder einzelnen Variable lässt sich zur besse-

re Betrachtung der Ergebnisse ein- oder ausschalten. Zu beachten ist, dass von TRNSYS nicht

das Datum, sondern die Stunde des Jahres anzeigt wird. D.h. auf der X-Achse der Simulation wird

von 0 bis 8760 gezählt, wobei die 0 für den 01. Januar, 00:00 Uhr steht und die 8760 für den

31. Dezember, 23:50 Uhr. Weiterhin bietet die TRNSYS Simulation Engine die Möglichkeit, an

jeder beliebigen Stelle zu zoomen und das genaue Ablesen von Werten.

Seite 89

Abb. 7-8: TRNSYS Simulation Studio

Abb. 7-9: TRNSYS Simulation Engine

Die dritte wichtige Benutzeroberfläche von TRNSYS ist das Building Visual Interface (Abb. 7-10)

Wegen der Komplexität des für die Darstellung eines Gebäudes stehenden „Type 56“, ist es not-

Seite 90

wendig, eine Benutzeroberfläche zu haben, die die Einstellungen der einzelnen Parameter des

Gebäudes erlaubt.

In dem Building Visual Interface lassen sich die Gebäudeeigenschaften definieren. Die Anzahl der

Zonen, die physikalischen Eigenschaften der Gebäudestruktur, die Zonenbelegung, die Klimatisie-

rungssysteme usw. sind nur einige Parameter die sich in dieser Benutzeroberfläche einstellen las-

sen. Die Definition eines Gebäudes wird in einer eigenen Datei (.bui) gespeichert und dann über

den „Type 56“ des TRNSYS Simulation Studios, mit den anderen Komponenten verbunden.

Abb. 7-10: Building Visual Interface [TRN2010]

7.1.4 TRNSYS Komponenten (TYPES)

Type 155 Dieser Type ist zuständig für den Aufruf von MATLAB. Er wird in einem getrennten

Prozess geöffnet, vorausgesetzt natürlich, dass MATLAB 6.5 oder eine spätere

Version installiert ist. Der Type 155 hat zwei Aufrufarten. Zum Einen existieren die

iterative Aufrufart, die MATLAB am Anfang jeden Zeitschritts aufruft und zum An-

deren die nicht-iterative Aufrufart, die von MATLAB am Ende jeden Zeitschritts

aufgerufen wird.

Type 109 Type 109 liest aus einer Datei Wetterdaten und verarbeitet sie, sodass die genaue

solare Einstrahlung und die Einstrahlungswinkel auf eine beliebige Zahl von Flä-

chen berechnet werden kann.

Seite 91

Type 65 Die verschiedenen Variablen werden über diesen Type angezeigt. Das ist sehr hilf-

reich, denn damit bietet sich die Möglichkeit, während einer Simulation zu sehen,

wie die Ergebnisse bis zum aktuellen Zeitschritt aussehen. Die dargestellten Vari-

ablen werden für weitere Analysen in einer separaten Datei gespeichert.

Type 56 Das thermische Verhalten eines Gebäudes wird mit diesem Type modelliert. Die

Definition der verschiedenen Gebäudeparameter erfolgt, wie schon erwähnt, über

TRNSYS Visual Interface. Im folgenden Teil der Arbeit wird näher darauf einge-

gangen wie das TRNSYS ein solches Gebäudemodell berechnet.

7.1.5 Wetterdaten TRNSYS hat grundsätzlich zwei Datenquellen für die Wetterdaten. Die erste ist US-TMY2 für die

Vereinigten Staaten von Amerika, in der 237 Orte zu finden sind. Eine weitere ist die von Meteo-

norm, die 1000 Orte in 150 Länder enthält. Die Daten von Meteonorm werden stochastisch gene-

riert, sodass für jede Station von Januar bis Dezember Wetterdaten zur Verfügung stehen.

Abb. 7-11: Wetterstationen in Europa [TRN2010]

7.1.6 Kopplung von TRNSYS mit MATLAB Die Kopplung zwischen TRNSYS und MATLAB findet, wie erwähnt, mit der Type 155 statt. Dafür

muss allerdings MATLAB installiert sein. Type 155 öffnet ein m-File und übergibt nicht nur die in

den Eigenschaften definierten Inputs sondern auch Information über die TRNSYS Simulation wie

z.B. trnTime (Simulationszeit), trnStartTime (Simulationsanfangszeit), usw. . MATLAB bzw. das m-

File werden je nach Aufrufmodus nach oder vor jedem TRNSYS-Zeitschritt aufgerufen. Die Inputs

werden bearbeitet und die Outputs werden in einem Output-Array gespeichert.

Seite 92

7.2 Multiple Regression

Die Regression ist ein sehr häufig eingesetztes Analyseverfahren. Es dient zur Feststellung der

Abhängigkeit zwischen einer unabhängigen Variablen und einer abhängigen Variablen. Da die

meisten Zusammenhänge in der realen Welt etwas komplexer sind, werden fast immer mehrere

unabhängige Variablen benötigt, um ein Problem zu beschreiben. Dafür wird dann die multiple

Regression eingesetzt. Gesucht wird eine Regressionsebene, die die Quadratsumme der Residu-

en minimiert und somit das Problem beschreibt.

Eine einfache graphische Darstellung der linearen Regression ist in der Abb. 7-12 zu sehen. In

dieser Abbildung ist der Zusammenhang zwischen Tagesmitteltemperatur und Wärmebedarf dar-

gestellt. Aus einer Menge von Daten wird eine Gerade berechnet, die möglichst kleine Abweichun-

gen zu den einzelnen Punkten besitzt. Die Übertragung dieser Regression zur Multiplen Regressi-

on sind Folgende. Zwei unabhängige Variablen werden in der Regression berücksichtigt. Anstatt

einer Geraden wird eine Fläche gebildet. Für eine Datenmenge mit drei Variablen, Variable y und

zwei unabhängigen Variablen x1 und x2 entsteht eine dreidimensionale Abbildung.

Abb. 7-12: Zwei-dimensionale Regression am Beispiel der Daten Tagesmitteltemperatur und Wärmebedarf [PEW2008]

Eine Multiple Regression lässt sich in einer Annäherung wie folgt beschreiben:

kk xbxbxby ⋅++⋅+⋅= 2211

Die Aufgabe besteht darin, alle b -Koeffizienten zu finden, sodass der Zusammenhang so gut wie

möglich beschrieben wird.

0

500

1.000

1.500

2.000

2.500

3.000

-8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 10,0 12,0

Tagesmitteltemperatur [°C]

MWh/d

Meßwerte Modellwerte

y = a0 + a1x

Seite 93

7.2.1 OLS-Schätzung

Bei der Multiplen Regression lässt sich die mathematische Herleitung besser erklären, in dem man

die OLS-Schätzung (Ordinary Least Squares) benutzt. Die OLS-Schätzung ist nichts anders als

das schon erwähnte Minimierungsproblem. Die Formulierung geschieht in Matrixschreibweise.

+

=

KKNKNN

K

K

K e

ee

b

bb

xxx

xxxxxx

y

yy

2

1

2

1

21

22221

11211

2

1

Oder etwas kompakter:

eXby +=

mit

y : Vektor der abhängigen Stichproben

X : Matrix der unabhängigen Stichproben

b : Gesuchter OLS-Punktschätzvektor

e : Abweichungsvektor

Die Aufgabe besteht darin b so zu wählen, dass die Summe der quadrierten Abweichungen so

klein wie möglich wird, d.h.

0)( !1

2

=∂

=∂

∂∑=

dbee

b

e T

N

ii

yXXXb TT 1)( −=

[EAÖ2011]

Im Folgenden wird die Berechnung anhand eines Beispiels verdeutlicht.

Gegeben:

Seite 94

y x1 x2

2 9 1

5 4 2

4 7 3

8 2 4

9 3 5

9 1 6

Aus der obigen Formel folgt:

=

−

998452

654321132749111111

611531421371241191

654321132749111111

1

b

−−

−−=⇒

15511837

19,01,007,11,007,063,007,163,065,6

b

−=⇒

76,051,0

73,5b

Unsere gesuchte Funktion wäre dann 21 76,051,073,5 xxy ⋅+⋅−=

Die graphische Darstellung ist in der Abb. 7-13 zu sehen. Gezeigt wird die Datenmenge in einem 3-dimensionalen Raum. Gelb markiert ist die berechnete Regressionsebene und die hohlen Kreise sind die gefitteten Werte, die eine möglichst geringe Abweichung zu den tatsächlichen Werten haben sollen.

Seite 95

Abb. 7-13: Regressionsebene der obigen Beispielberechnung [EAÖ2011]. (Gefittete Werte sind als hohle Kreise dargestellt)

7.2.2 Bestimmtheitsmaß Die Güte des Verfahrens orientiert sich an dem Bestimmtheitsmaß. Dieses Maß gibt Auskunft dar-

über, welche Verbesserung bei der Berechnung des Mittelwertes durch die Berücksichtigung die-

ser unabhängigen Variablen entsteht. Mit anderen Worten wird ein Quotient in Form des Mittelwer-

tes aus der Varianz der Regressionsgleichung und der Varianz der einfachen Aussage berechnet

[RAN2008]. Das Bestimmtheitsmaß ist wie folgt definiert.

100)(

)ˆ(

2

2

2 ⋅−

−=∑∑

∈

∈

Iii

Iii

yy

yyR

Aus der Formel ist abzuleiten, dass das Bestimmtheitsmaß einen Wert zwischen 0 % und 100 %

annimmt, wobei 100 % auf einen perfekten linearen Zusammenhang und 0 % auf keinen linearen

Zusammenhang hinweisen.

Die Regression hat viele Einsatzmöglichkeiten. In den Wirtschaftswissenschaften z. B. wird sie

eingesetzt, um einen Zusammenhang zwischen Absatzmenge und Preis eines Produktes herzu-

stellen [RAN2008]. In Kapitel 7.4 wird vorgestellt, wie mit Hilfe der multiplen Regression eine Wär-

melastprognose für mit Betonkernaktivierung klimatisierte Gebäude durchgeführt werden kann.

Berücksichtigt wurden zwei unabhängige Variable, nämlich die Außentemperatur und die solare

Einstrahlung. Die abhängige Variable war der Energiebedarf.

Ein erster Schritt, um zu wissen, ob die Regression überhaupt sinnvoll ist, d.h. ob es einen linearen

Zusammenhang zwischen der unabhängigen Variablen und der abhängigen Variablen gibt, ist die

Berechnung des Korrelationskoeffizienten. Dieser wird im folgenden Teil vorgestellt.

Seite 96

7.2.3 Korrelationskoeffizient

Der Korrelationskoeffizient ist ein Maß für den Grad des linearen Zusammenhangs zwischen zwei

Variablen. Er drückt aus in welchem Umfang zwei Datensätze miteinander korrelieren oder vonei-

nander abhängig sind.

Der Korrelationskoeffizient ist dimensionslos und nimmt Werte zwischen -1 und 1 an. Je mehr sich

der Korrelationskoeffizient den Werten 1 oder -1 nähert, desto mehr besteht zwischen den Datens-

ätzen ein guter linearer Zusammenhang. Liegt der Korrelationskoeffizient bei 0, bedeutet es, dass

kein linearer Zusammenhang besteht. Letzteres bedeutet nicht unbedingt, dass es gar keinen Zu-

sammenhang gibt. Es können durchaus andere Zusammenhänge vorliegen, die sich allerdings

nicht mit dem Korrelationskoeffizient ausdrücken lassen.

Der Korrelationskoeffizient ist für zwei Variablen X und Y mit jeweils positiver Varianz nach Pear-

son wie folgt definiert:

)()(),(

, YVarXVarYXCovr YX

⋅=

)()()))(((

, YVarXVarEYYEXXEr YX

⋅−−

=

wobei,

E : Erwartungswert-Operator

)(XVar : Standardabweichung von X

),( YXCov : Kovarianz von X und Y

sind.

In der Literatur wird ein empirischer Korrelationskoeffizient definiert. Dieser kommt zum Einsatz,

falls für die Variablen lediglich zwei Messreihen bekannt sind [STA2008].

∑∑

∑

==

=

−⋅−

−−=

n

ii

n

ii

n

iii

YX

yyn

xxn

yyxxnr

1

2

1

2

1,

)(1)(1

))((1

mit,

∑=

=n

iix

nx

1

1

Seite 97

∑=

=n

iiy

ny

1

1

Für diese Arbeit ist es wichtig, die Definition des Korrelationskoeffizienten aufzuzeigen. Besonders

für den Fall, dass zwei Variable Einfluss auf eine dritte haben.

)1()1( 2,

2,

,,,,

ZXZY

ZXZYYXZXY

rr

rrrr

−⋅−

⋅−=

7.3 Künstliche Neuronale Netze (KNN)

Künstliche Neuronale Netze (KNN) sind adaptive Systeme, deren Entwicklung auf der Funktions-

weise des Nervensystems von Tieren basiert. Diese Systeme bestehen aus einem Netz unterei-

nander verbundener Neuronen oder Zellen und erzeugen in Abhängigkeit der Eingangswerte einen

Ausgangswert. Normalerweise werden die Systeme eingesetzt, um komplexe Zusammenhänge

zwischen Input und Output nachzubilden [WNN2005], [SWP2010].

Wissenschaftler sind sich darin einig, dass sich ein künstliches neuronales Netz sehr stark von

einem biologisch neuronalen Netz unterscheidet. Beide bestehen aus parallelen einfachen Verar-

beitungseinheiten. Die Intelligenz des Systems befindet sich in den Verbindungen zwischen den

Einheiten. Allerdings ist im Hinblick auf den Umfang, ein Gehirn weitaus größer als jedes bisherige

KNN.

Eine Eigenschaft der KNN ist es, dass keine genauere Untersuchung der Problemstellung notwen-

dig ist. Es werden keine aufwendigen Algorithmen benötigt, sondern nur versucht, einen gewissen

Zusammenhang zu approximieren. Allerdings besteht keine Garantie des automatisierten Lerner-

folges, da verschiedene Lösungen möglich sind.

Eine weitere wichtige Eigenschaft der KNN ist ihre Generalisierungsfähigkeit. Damit ist die Fähig-

keit der Generierung von bekanntem zu unbekanntem Datenmuster gemeint. Letztere ermöglicht

die Prognose von Ausgabewerten, die dem Netz während des Lernprozesses nicht vorgelegt wur-

den. Diese Eigenschaft kann aber das Netz verlieren, falls die Trainingsphasen zu lange mit dem

gleichen Datensatz stattfinden. Man nennt diesen Vorgang Overfitting [WNN2005].

7.3.1 Aufbau und Funktionsweise eines Künstlichen Neurons

Ein Neuron besteht aus einer Propagierungsfunktion, die sich aus den Signalen io , den so ge-

nannten Nettoinputs, berechnet. Es werden alle eingehenden Signale mit ihrer Gewichtung ijw

aufsummiert.

Der erste Rechenschritt des Neurons findet nach folgender Formel statt:

Seite 98

∑ ⋅=i

ijij wtotnet )()(

Abb. 7-14: Aufbau eines Neurons [WNN2005]

Zunächst wird mit Hilfe der Aktivierungsfunktion der neue Aktivierungszustand berechnet. Die For-

mel dazu lautet:

))(()1( jjactj tnetfta θ−=+

jθ : Bias

Der Bias zeigt die Schwelle an, an der ein Neuron stark aktiv ist. Mathematisch gesehen gibt er die

Stelle der größten Steigung monoton wachsender Aktivierungsfunktionen an. Somit entspricht die

Veränderung des Schwellenwertes eines Neurons, einer Verschiebung der Aktivierungsfunktion

auf der x-Achse nach links bzw. rechts [WNN2005].

Seite 99

7.3.2 Identität oder lineare Aktivierungsfunktion

Die Identität bzw. lineare Aktivierungsfunktion lässt sich mit folgender Formel beschreiben

[MAT2011].

xxfid =)(

Der neue Aktivierungszustand des Neurons j ist dann mit der Identität als Aktivierungsfunktion

gleich jj tnet θ−)( .

jjj tnetta θ−=+ )()1(

Abb. 7-15: Lineare Aktivierungsfunktion [WNN2005]

Seite 100

7.3.3 Tangens Hyperbolicus Aktivierungsfunktion

Die Tangens Hyperbolicus Aktivierungsfunktion lässt sich mit folgender Formel beschreiben.

xx

xx

eeeexxf −

−

+−

== )tanh()(tanh

Abb. 7-16: Aktivierungsfunktion Tangens Hyperbolicus [WNN2005]

Mit jj tnetx θ−= )( wird der neue Aktivierungszustand wie folgt berechnet.

))(()(

))(()(

))(tanh()1(jjjj

jjjj

tnettnet

tnettnet

jjj eeeetnetta θθ

θθ

θ −−−

−−−

+−

=−=+

7.3.4 Lernprozess der Backpropagation Die Backpropagation oder das Fehlerrückführungs-Verfahren ist eine Lernstrategie, die den Fehler

des Netzes über eine Fehlerfunktion bestimmt und den Gesamtfehler zu minimieren versucht. Da-

für wird der Gradient der Fehlerfunktion benutzt, der aus der Differenz des gewünschten Aus-

gangswertes und des tatsächlichen Ausgangswertes gebildet wird. Die Gewichte des Netzes wer-

den in Richtung eines minimalen quadratischen Fehlers verändert. Der gesamte durchschnittliche

Fehler wird mit der folgenden Formel berechnet:

∑=

−=N

iii xxMSE

1

2)ˆ(

Seite 101

mit:

N : Anzahl der Neuronen in der Ausgabeschicht

ix̂ : gewünschte Ausgangswerte

ix : tatsächliche Ausgangswerte

Eine graphische Darstellung, wie die Backpropagation funktioniert, wird in der Abb. 7-17 erklärt. In

der Lernphase werden die Inputwerte im Netz präsentiert und die Outputs generiert. Anschließend

wird mit den tatsächlichen Werten oder „Targets“ der Fehler berechnet und zum Schluss die Ge-

wichte dementsprechend angepasst. Es gibt viele Algorithmen, die das Prinzip der Backpropagati-

on benutzen, wie zum Beispiel der Levenberg-Marquardt-Algorithmus, der später vorgestellt wird.

Abb. 7-17: Lernprozess der Backpropagation [WKN2011]

Die Backpropagation ist für die sogenannten Feed-Forward Netze anwendbar. Diese Netze besit-

zen die Eigenschaft, die Signale vom Netzeingang nur in Richtung Netzausgang zu übertragen. In

der Abb. 7-17 wird eine graphische Darstellung eines solchen Netzes gezeigt.

Alle Verbindungen zwischen Neuron i und Neuron j sind mit ijw gewichtet und werden in einer

bestimmten Reihenfolge aktualisiert. Die sogenannte Topologische Ordnung ist die bessere Aktua-

lisierungsreihenfolge, bei der die Gewichte in der Reihenfolge aktualisiert werden, wie sie von der

Netztopologie vorgegeben wird [WNN2005]. D.h. zuerst die Ebene der Eingabeneuronen, danach

folgt die Ebene der ersten verdeckten Schicht usw. bis zu den Ebene der Ausgabeneuronen.

Seite 102

Abb. 7-18: Graphische Darstellung eines Feedforward Netzes [WNN2005]

7.3.5 Levenberg-Marquardt-Algorithmus Üblicherweise sind Algorithmen zum Trainieren eines Künstlichen Neuronalen Netzes, wie der

„Gradient Descent“ oder „Gradient Descent with Momentum“ zu langsam für eine praktische An-

wendung [AKE2011]. Deshalb wurde zur Erzielung eines schnelleren Trainingsvorgangs mit Back-

propagation der Levenberg-Marquardt-Algorithmus entwickelt.

Um diesen Algorithmus zu erklären, wird im folgenden Beispiel angenommen, es existiert eine

Funktion )(xV , die zu minimieren und als Summe von Quadraten definiert ist [TFN1994].

∑=

=N

ii xexV

1

2 )()(

dann gilt

)()()( xexJxV T ⋅=∇

)()()()(2 xSxJxJxV T +=∇

wo )(xV∇ der Gradient, )(2 xV∇ die Hesse-Matrix und )(xJ die Jacobi-Matrix sind.

∂∂

∂∂

∂∂

∂∂

∂∂

∂∂

∂∂

∂∂

∂∂

=

n

NNN

n

n

xxe

xxe

xxe

xxe

xxe

xxe

xxe

xxe

xxe

xJ

)()()(

)()()(

)()()(

)(

21

2

2

2

1

2

1

2

1

1

1

Um den Zeitaufwand des Algorithmus zu reduzieren wird die Hesse-Matrix mit Hilfe der Jacobi-

Matrix approximiert. Es wird 0)( =xS gesetzt, sodass die Hesse-Matrix wie folgt ausgedrückt

werden kann:

Seite 103

)()()(2 xJxJxV T ⋅=∇

Die Rechenschritte der Iterationen finden in dem Levenberg-Marquardt-Algorithmus wie folgt statt:

[ ] )()()()( 11 xexJIxJxJxx TT

kk ⋅⋅+⋅−=−

+ µ

Dabei ist I die Einheitsmatrix und µ ein Parameter, der mit einem Faktor β multipliziert wird,

falls )(xV steigt, und mit dem gleichen Faktor dividiert wird, falls )(xV sinkt.

Seite 104

7.4 Entwicklung eines Algorithmus auf Basis von Multiplen Regressi-on (MR) mit Hilfe der Programme MATLAB und TRNSYS

Im Folgenden wird die Entwicklung und Erprobung eines Algorithmus auf Basis von Multiplen Re-

gressionen vorgestellt. Der Algorithmus dient zur Regelung eines Thermoaktiven Bauteilsystems

zur Konditionierung von Räumen. Die Anwendung dieses Algorithmus wurde in einer Simulation

getestet. Für die Simulation muss ein Gebäudemodell erstellt werden. Im Folgenden wird zuerst

das Testgebäudemodell beschrieben. Anschließend wird auf den Algorithmus eingegangen und

zum Schluss die Simulationsdurchführung und deren Ergebnisse erläutert.

7.4.1 Testgebäude

Für die Erprobung des Algorithmus wird ein Gebäudemodell benötigt. Das Gebäudemodell wurde

mit dem Simulationsprogramm TRNSYS erstellt. Dieses wird im Folgenden beschrieben.

Das Gebäude besteht aus einem Stockwerk mit 6 Räumen. Standort ist Stuttgart mit dem Wetter-

datensatz DE-Stuttgart-107370.tm2. Alle Räume sind quadratisch mit einer Kantenlänge von 5 m.

Die Raumhöhe beträgt 3 m. Die Hälfte jeder Außenwand ist verglast. Im Flachdach (25 cm Beton,

25 cm Isolierung) ist für Heiz- und Kühlzwecke ein TABS-System integriert. Weitere Heiz- oder

Kühlmöglichkeiten gibt es nicht. In jedem Raum arbeiten vier Personen (150 W) an jeweils einem

PC-Arbeitsplatz (140 W). In jedem Raum sind fünf Leuchten mit jeweils einer Leistung von 130 W

angebracht. Die Arbeitszeit ist Montag bis Freitag von 08:00 Uhr bis 18:00 Uhr.

Zu Beginn wurde eine erste Startsimulation des Testgebäudes mit einer statischen Steuerfunktion

durchgeführt, um Referenzwerte für das thermische Verhalten des Gebäudes zu bekommen. Diese

Startsimulation wird in den nächsten Teilen der Arbeit als Ist-Zustand bezeichnet. Die Formeln

sollen lediglich eine Näherung des Verhaltens des Gebäudes darstellen. Absichtlich wurde keine

Perfektion angestrebt, denn dieses soll dem Algorithmus überlassen werden. Deshalb wird auch

keine Einzelberechnung der Räume vorgenommen, sondern ein mittlerer Wert ermittelt. Der Opti-

mierungsalgorithmus soll für jeden einzelnen Raum das Optimum finden. Ein Beispiel dieser An-

fangsfunktionen sieht wie folgt aus:

MeanMean IkTkkE ⋅+⋅+⋅−= 3215,13

Seite 105

1k : Konstante 1 [kWh]

2k : Konstante 2 [kWh/°C]

3k : Konstante 3 [m²d]

MeanT : Mittlere Außentemperatur [°C]

MeanI : Mittlere Solarstrahlung [kWh/m²d]

E : Energiebedarf [kWh]

Abb. 7-19: Skizze Testgebäudemodell mit Raumaufteilung und Ausrichtung

Seite 106

Abb. 7-20: Startsimulation, Raumtemperatur in Nord-Zone des Testgebäudemodells

Abb. 7-21: Startsimulation, Raumtemperatur in Nordwest-Zone des Testgebäudemodells

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C

Simulationstzeit in h

T_Raum-N

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-NW

Seite 107

Abb. 7-22: Wetterdatensatz der Startsimulation, Testreferenzjahr des Standorts DE-Stuttgart-107370 von TRNSYS

7.4.2 Algorithmus auf Basis der Multiplen Regression Der Algorithmus wurde auf Basis des Testgebäudemodells entwickelt. Er beinhaltet sechs ver-

schiedene Regelzonen. Die Programmierung erfolgte in MATLAB, da dieses Programm die Vortei-

le bietet die Multiple Regression einfach und schnell zu berechnen und des Weiteren eine Schnitt-

stelle zum Simulationsprogramm TRNSYS hat. Die Eingangsvariablen sind die Prognosen der

mittlere Außentemperatur und mittlere Solarstrahlung, sowie die gemessene mittlere Raumtempe-

ratur.

Der Heizfall und Kühlfall werden getrennt betrachtet. Auch die Arbeitstage und Wochenenden wer-

den differenziert behandelt. Trotz eines verhältnismäßigen einfachen Gebäudemodellaufbaus

(sechs Räume) waren 24 Steuerfunktionen notwendig, um die Programmstruktur und Simulations-

struktur aufzubauen.

Der Algorithmus speichert während der Simulation die Werte der Raumtemperatur in

10-minütigem-Takt und bildet um 0:00 Uhr des folgenden Tages eine mittlere Raumtemperatur des

gesamten Gebäudes. Diese Information ist Bedingung in einer Abfrage, aus dieser letztlich hervor-

geht ob eine Beheizung oder Kühlung der Räume durchgeführt wird. Auf diese Weise wird der

aktuelle Zustand des Gebäudes, d.h. die gespeicherte thermische Energie in den Algorithmus ein-

bezogen. In Abb. 7-23 ist der Strukturaufbau des Algorithmus der Multiplen Regression dargestellt.

0

500

1000

1500

2000

2500

3000

3500

4000

-20,0

-10,0

0,0

10,0

20,0

30,0

40,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Sola

rstr

ahlu

ng in

W/m

²

Auße

nluf

ttem

pera

tur i

n °C


T_außen Solarstrahlung

Seite 108

Steuerfunktion Gebäude

Multiple Regression

Tmean (Prognose)

Imean (Prognose)Energiebedarf

Tmean

Imean

Raum

temperatur

Steuerfunktion

Abb. 7-23: Strukturaufbau des Algorithmus der Multiplen Regression mit Imean = Tagesmit-telwert der Globalstrahlung und Tmean = Tagesmittelwert der Außentemperatur

Um 1:00 Uhr findet die Bewertung des Gebäudeverhaltens und der Effektivität der verschiedenen

Steuerfunktionen statt. Diese Information fließt in die Steuerfunktion des nächsten Tages ein. Mit

anderen Worten: Der Index k unserer OLS-Schätzung wird zu k+1 und mit dieser gewonnenen

Information wird eine neue Multiple Regression durchgeführt und somit neue Steuerfunktionen

definiert. Diese neuen Steuerfunktionen gibt das Verhalten des Energiebedarfs des Gebäudes

genauer wieder, da eine größere Anzahl von Daten genutzt wird.

Nach der Aktualisierung der Steuerfunktionen wird mit Hilfe der Wetterprognosen die mittlere Au-

ßentemperatur und mittlere Solarstrahlung berechnet. Je nachdem ob es Wochenende oder Ar-

beitstag ist, sowie Sommer oder Winter, wird dann entschieden, ob es nötig ist zu heizen oder zu

kühlen. Unter bestimmten Voraussetzungen ist es auch durchaus möglich, dass weder gekühlt

noch geheizt werden muss. Mit der berechneten mittleren Außentemperatur und mittleren Solar-

strahlung, wird für jede einzelne Zone bestimmt wie viel Energie benötigt wird. Die Information ob

gekühlt oder geheizt werden soll, sowie die Menge an benötigter Energie sind letztendlich die Aus-

gangsvariablen des Algorithmus.

Korrekturfaktor

Ziel ist es Temperaturüberschreitungen bzw. Unterschreitungen und somit ein Abdriften von Tem-

peraturen außerhalb des Komfortbandes zu vermeiden. Um dies mit dem Algorithmus zu erreichen

wird ein Korrekturfaktor benötigt, der ermöglicht Temperaturüberschreitungen bzw. Unterschreitun-

gen abzufangen. Eine weitere Anforderung an den Algorithmus ist es präzise Steuerungsgrößen

unabhängig von der Gebäudestruktur zu bilden. Um den Algorithmus flexibel und einfach einsetzen

zu können, kann dies nur dann geschehen, wenn ein Selbstlerneffekt auf Basis der Eingangspa-

rameter und einem Informationsrückfluss geschieht. So kann letztlich erreicht werden, Komfort-

Seite 109

temperaturen im Gebäude zu erhalten. Es gilt somit den Algorithmus auf Basis eines Gebäudemo-

dells zu entwickeln, zugleich ihn aber von der Gebäudestruktur zu entkoppeln. Ein sehr präziser

Korrekturfaktor würde deshalb nur dann Sinn machen, da in solch einem Faktor detaillierte Gebäu-

dekonstanten berücksichtigt werden müssen.

Um alle Ziele zu erreichen, wird versucht den Korrekturfaktor aus der Information der gespeicher-

ten Wärmeenergie zu finden. Speziell soll aus der Veränderung dieser Information eine Gesetz-

mäßigkeit gefunden werden, welche das Problem möglichst gut beschreibt, aber gleichzeitig keine

zusätzlichen spezifischen Gebäudekonstanten benötigt. Die Grundgleichung des Wärmestroms

lautet nach [TBA1999]:

)( Rm ttAkQ −⋅⋅=

mit

Q : Wärmestrom [W]

k : Wärmedurchgangskoeffizient [W/m²K]

A : Wärmeübertragungsfläche [m²]

mt : Mittlere Mediumtemperatur [°C]

Rt : Raumtemperatur [°C]

Aus der obigen Formel wird deutlich, dass die Energiemenge Q aus dem Integral gewonnen wer-

den kann. D.h. wenn die Gebäudekonstanten wie Wärmedurchgangskoeffizient und Wärmeüber-

tragungsfläche als konstant betrachtet werden, liefert das Integral der Differenz aus Raumtempera-

tur und mittlerer Mediumtemperatur eine Information über die gespeicherte Energiemenge im

Raum. Diese Überlegung wurde benutzt, um den Korrekturfaktor zu definieren und unabhängig von

der Gebäudestruktur flexibel zu bleiben.

Definiert wurde somit ein Korrekturfaktor, der einen Quotienten aus bestimmten Flächen oberhalb

bzw. unterhalb der Grenztemperatur bildet. Es erfolgt auch ein Unterscheiden zwischen einem

Korrekturfaktor im Falle einer Überschreitung und einer Unterschreitung der Grenztemperatur. Eine

graphische Darstellung ist in der Abb. 7-24 für den Kühlfall und in der Abb. 7-25 für den Heizfall zu

sehen.

Angenommen es passiert während des Kühlfalls, dass die Temperatur im Raum 26 °C übersteigt.

Dies kann zum Beispiel auf Grund einer fehlerhaften Steuerfunktion geschehen. Bezogen auf Abb.

7-24 ist die Fläche oberhalb dieser Temperaturgrenze ein Maß für die Energie, die unzureichend

abgeführt wurde, um innerhalb der Grenze zu bleiben. Wohingegen die Fläche unterhalb der

Raumtemperaturkurve bis hin zur Mediumtemperatur (in diesem Fall 17 °C) ein Maß für die im

Raum gespeicherte Energie ist.

Seite 110

Es wird ein Quotient gebildet, der gleich A1/(A1 + A2) ist. Dieser Flächenquotient wird in der Abb.

7-24 gezeigt. Nach obiger Berechnung wird die geladene Energiemenge mit dem Flächenquotien-

ten multipliziert und ergibt schließlich eine Informationskorrektur für die multiple Regression.

Im Heizfall hingegen muss der Flächenquotient etwas anders berechnet werden. Die Mediumtem-

peratur beträgt in diesem Fall 28 °C. Den Fehler bei der Steuerfunktion erkennen wir an Raumtem-

peraturen, die unter 22 °C liegen. Deswegen wird, wie in der Abb. 7-25 gezeigt, der Flächenquoti-

ent A2/(A1 + A2) berechnet und dann mit der gleichen Multiplikation von Flächenquotient und gela-

dener Energiemenge die neue Informationskorrektur durchgeführt.

Abb. 7-24: Korrekturfaktor im Kühlfall

Seite 111

Abb. 7-25: Korrekturfaktor im Heizfall

7.4.3 Erste Jahressimulation des Testgebäudes Im Folgenden werden einige Ergebnisse der Gebäudesimulation mit TRNSYS vorgestellt. Grund-

sätzlich wird auf die Ergebnisse der Zonen Nord und Nord-West eingegangen. Die anderen Zonen

weisen ähnliche Ergebnisse auf.

Nach der Programmierung des Algorithmus erfolgte die Simulation mit dem Testgebäudemodell in

TRNSYS, gekoppelt mit MATLAB. Es wurden verschiedene Auswertungsmöglichkeiten zur Validie-

rung benutzt. Da ist einmal die klassische Darstellung von TRNSYS, wie sie schon in dem TRN-

SYS-Kapitel vorgestellt wurde. Diese Simulation wurde mit den Wetterdaten eines Testreferenzjah-

res des Standorts Stuttgart durchgeführt. Die Simulation erfolgt über ein ganzes Jahr. Im Fall eines

Einsatzes des Algorithmus ist zu berücksichtigen, dass ein Fehler in der Wetterprognose zu einem

Fehler in der Energiebedarfsberechnung führt. Aus diesem Grund ist die Qualität der Prognose

sehr wichtig, um den Komfort in einem Raum oder Gebäude zu gewährleisten.

Eine weitere Auswertung erfolgt durch die Darstellung der Ergebnisse in einer Dauerlinie. Diese

Linie zeigt die Stunden in denen die Raumtemperatur eine gewisse Grenze überschreitet. Zu be-

achten ist, dass die Darstellung der Dauerlinien in dieser Arbeit nur die Arbeitszeiten berücksich-

tigt, d.h. die Zeiten zwischen 8:00 Uhr und 18:00 Uhr. Die Wochenenden wurden von der Auswer-

tung ausgenommen. Weiterhin wurden auch Kennwerte wie der Korrelationskoeffizient, das Be-

stimmtheitsmaß und maximale Fehler für die Regression berechnet. Die Berechnung des maxima-

len Fehlers wird später erläutert.

Die besten Ergebnisse der Raumkonditionierung mit Einsatz Multipler Regressionen werden in der

Nord-Zone erreicht. Die Erklärung dafür ist, dass die Anfangsfunktion für diese Zone am besten

Seite 112

gepasst hat und deshalb die Korrekturen der Multiplen Regression nicht groß gewesen sind. In der

Abb. 7-26 ist der Verlauf der Raumtemperatur dargestellt. Der Algorithmus schaffte es in relativ

kurze Zeit (ca. ab der Stunde 600) die Temperatur in dem gewünschten Bereich zwischen 22 °C

und 26 °C, mit Ausnahmen von wenigen Ausreißern, zu halten. Auf den ersten Blick ist eine Ver-

besserung bzgl. der Charakterisierung des Ist-Zustands im Vergleich zur Regelung mit einer stati-

schen Steuerfunktion ersichtlich. Die Tatsache, dass die Raumtemperatur nicht immer zwischen

22 °C und 26 °C gehalten wurde, war vorherzusehen, denn die Definition des Problems mit Multip-

ler Regression ist eine Näherung. Es war für die Simulation von großem Vorteil, dass die Wetter-

prognosen den Wetterbedingungen entsprachen und somit eine Fehlerquelle, die für die Steuerung

eine wichtige Bedeutung hat, wegfiel. In dem Temperaturverlauf der Simulation ist auch interessant

zu sehen, wie zu Ende des Jahres unter fast gleichen Wetterbedingungen wie am Anfang, die

Raumtemperatur kaum unter 22 °C sinkt. Dies deutet darauf hin, dass die Steuerfunktion selbster-

lernend Verbesserungen aufweist. Am Anfang des Jahres werden die Daten gesammelt und mit

dem Korrekturfaktor angepasst, sodass letztendlich die richtige Energiemenge in dem Gebäude

gespeichert wird, um den Komfort innerhalb des Gebäudes zu gewährleisten.

Abb. 7-26: 1. Jahressimulation, Raumtemperaturverlauf in Nord-Zone (MR)

Die Art der Darstellung in Abb. 7-26 ist das Ergebnis der ersten TRNSYS Jahressimulation in der

Nord-Zone. In dieser Darstellung ist es leider nicht möglich eine Aussage zu treffen, wie oft die

Raumtemperatur während der Arbeitszeiten im gewünschten Bereich lagen. Es wird hier nur ganz

grob eingeschätzt ob die Steuerfunktion richtig arbeitete. Obwohl es so aussieht, als ob die Raum-

temperatur ziemlich oft unter 22 °C lag, müssen beachtet werden, dass dies unkritisch ist, wenn es

außerhalb der Arbeitsstunden passiert. Für eine genauere Auswertung ist die Dauerlinie notwen-

dig. Die Dauerlinie der Nord-Zone in Abb. 7-36 zeigt, dass es nur wenige Betriebsstunden gab, in

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 113

denen die Raumtemperatur oberhalb von 26 °C lag (ca. 70 Betriebsstunden). Im Heizfall waren es

etwas mehr Betriebsstunden die unter 22 °C lagen. Aber interessant ist die Tatsache, dass die

Temperatur nie unter 20 °C fiel und auch nicht über 27 °C stieg. Für diese Zone sind die Ergebnis-

se deshalb sehr zufriedenstellend.

In Tabelle 7-1 sind die Kennwerte der Jahressimulation der Nord-Zone dargestellt. Die Werte des

Korrelationskoeffizienten, dem Bestimmtheitsmaß und besonders der Häufigkeit des maximalen

Fehlers weißen auf eine gute Bildung der Steuerungsfunktion hin. Bei der Betrachtung des „Heiz-

falles“ für Arbeitstage und Wochenenden ist ein sehr guter linearer Zusammenhang des Korrelati-

onskoeffizienten von -0,97 bzw. -0,99 sichtbar.

Tabelle 7-1: Kennwerte der Jahressimulation des 1. Testjahres, Nord-Zone

Betriebsweise Max. Fehler [%]

Korrelationskoeffizient Bestimmtheitsmaß

Heizen 7,89 -0,97 0,95

Heizen Wochenende 2,59 -0,99 0,99

Kühlen 16,38 -0,72 0,53

Kühlen Wochenende 21,3 -0,81 0,67

In den Abb. 7-27 (Heizen an Arbeitstagen) und Abb. 7-28 (Heizen an Wochenenden) sind die Da-

tenpunkte bzgl. Energiebedarf, Solarer Einstrahlung und Außentemperatur in einem 3-

dimensinalen Raum dargestellt. Der gute lineare Zusammenhang ist eindeutig, denn die Werte

liegen nahezu in einer Ebene. Der maximale Fehler ist definiert als die größere Abweichung von

einer Stichprobe zur Regressionsebene. Er wird in diesem Fall in Prozent angegeben und betrug

bei der Nordzone im Falle des „Heizens am Wochenende“ nur 2,59 % und im Falle des „Kühlens

am Wochenende“ 21,3 %.

Bei Betrachtung von Abb. 7-27 und Abb. 7-28 wird deutlich, dass am Wochenende mehr Energie

benötigt wird, falls die Raumtemperatur im gewünschten Bereich bleiben soll. Am Wochenende

gibt es keine Wärmegewinne durch Computer, Personen oder Beleuchtung. Diese Energie muss

daher von den TABS kommen. Die Simulationen haben gezeigt, dass auch am Wochenende eine

Beladung der TABS erfolgen muss. Auch hier gilt es die zeitliche Energiebeladung sowie die Ener-

giemenge ausreichend zu berücksichtigen. Die Simulationen in denen das Wochenende eine un-

tergeordnete Rolle gespielt hatte, haben gezeigt, dass eine zu starke Temperaturabsenkung am

Wochenende verhindert, dass am Anfang der Woche komfortable Raumtemperaturen gewährleis-

tet werden können. Bspw. wenn die Temperatur am Sonntag zu niedrig ist, ist aufgrund der Dyna-

mik der TABS nicht möglich bis Montag um 8:00 Uhr, die Temperatur auf 22 °C anzuheben.

Seite 114

Abb. 7-27: 1. Jahressimulation, Steuerfunktionen Nord „Heizen an Arbeitstagen“; a) Darstellung der mittleren Außentemperatur, der mittleren Solarstrahlung und des berechneten Energiebedarfs b) zugehörige Regressionsfläche

Abb. 7-28: 1. Jahressimulation, Steuerfunktionen Nord „Heizen an Wochenenden“; a) Darstellung der mittleren Außentemperatur, der mittleren Solarstrahlung und des berechneten Energiebedarfs b) zugehörige Regressionsfläche

Seite 115

Abb. 7-29: 1. Jahressimulation, Steuerfunktion Nord „Kühlen an Arbeitstagen“; a) Darstellung der mittleren Außentemperatur, der mittleren Solarstrahlung und des berechneten Energiebedarfs b) zugehörige Regressionsfläche

Abb. 7-30: 1. Jahressimulation, Steuerfunktion Nord „Kühlen an Wochenenden“; a) Darstellung der mittleren Außentemperatur, der mittleren Solarstrahlung und des berechneten Energiebe-darfs b) zugehörige Regressionsfläche

Die Nordwest-Zone war eine der Zonen, die kein zufriedenstellendes Ergebnis geliefert hat. Ins-

besondere waren die Heizmonate sehr problematisch. Es ist offensichtlich mit der statischen Steu-

erfunktion zu wenig Energie in dem Gebäude gespeichert worden, sodass in dieser Zone ständig

die Raumtemperatur in einem nicht zulässigen Bereich blieb. Es ist deshalb für den Algorithmus

eine größere Herausforderung, die Klimatisierung dieser Zone richtig zu steuern. Die Multiple Re-

gression musste die Steuerfunktionen der Heizmonate sehr stark verändern.

Seite 116

Die Nordwest-Zone unterscheidet sich von der Nord-Zone erheblich. Sie liegt an einer Ecke des

Gebäudes und hat zwei Außenwände mit zwei Fenstern, was eine höhere Belastung durch Außen-

temperatur und Solarstrahlung bedeutet. Die Folge ist eine stärkere Schwankung der Temperatur

innerhalb dieser Zone.

Die Ergebnisse der Simulation, die in der Abb. 7-31 zu sehen sind, zeigen die deutliche Verbesse-

rung der Raumtemperaturverhältnisse. Vor allem in den Heizmonaten wurde die Raumtemperatur

im Vergleich zu dem Ergebnis der Simulation mit einer statischen Funktion deutlich angehoben.

Der Algorithmus griff in die Steuerfunktion dieser Zone ein und veränderte diese während der ers-

ten Heizmonate, sodass ca. ab Betriebsstunde 600 die Raumtemperatur häufig über 22 °C lag. Am

Ende des Jahres und somit zu Beginn der Heizperiode, war die Steuerung so angepasst, dass

genügend Energie in das Gebäude floss, sodass sich die Raumtemperatur weiterhin im komfortab-

len Bereich befand. Dieses Ergebnis bestätigt noch einmal die Lernfähigkeit des Algorithmus. Die

Tatsache, dass die Anpassung in relativ kurzer Zeit stattfand, ist ein gutes Zeichen für die Effektivi-

tät des Korrekturfaktors. Werden die letzten Stunden der Simulation betrachtet, fällt auf, dass die

Raumtemperatur für einige Tage nicht in dem gewünschten Bereich lag. Dies hat weniger mit dem

Algorithmus zu tun, sondern ist die Erklärung dafür, dass die TABS unter den Wetterbedingungen

an ihre Grenzen stießen. Die Pumpen waren in diesen Tagen immer im Einsatz und trotzdem wur-

de nicht genug Energie geladen. Zur Gewährleistung des Komforts wird in diesem Fall eine größe-

re Fläche der TABS benötigt.

In den Sommermonaten blieb das Ergebnis der Simulation nahezu unverändert. Die statische

Funktion schien die Kühlung des Gebäudes sehr gut zu steuern. D.h. in diesem Fall sind die Kor-

rekturfaktoren niedrig gehalten.

In Tabelle 7-2 sind die Kennwerte der Jahressimulation für die Nordwest-Zone dargestellt. Die

Häufigkeit der maximalen Fehler zur Regressionsebene ist deutlich höher als die bei der Nord-

Zone. Sie liegen bei 32,8 % als höchster Wert für den Fall „Heizen Wochenende“. Diese größeren

maximalen Fehler wurden durch die Tatsache verursacht, dass die Steuerfunktion den Algorithmus

sehr verändert. Dies bedeutet es gibt eine größere Streuung der Werte. Zu beachten ist, dass im

Falle des Kühlens die maximalen Fehler niedriger waren, weil die Steuerfunktion, wie schon er-

wähnt, nicht so stark verändert wurde. Der maximale Fehler könnte reduziert werden, indem der

Algorithmus alte Stichproben nicht mehr in die Regression einbezieht.

Es besteht kein linearer Zusammenhang zwischen mittlerer Außentemperatur, mittlerer Solarstrah-

lung und mittlerer Raumtemperatur für den Heizbetrieb an Wochenenden. Der Korrelationskoeffi-

zient beträgt 0,01 (Tabelle 7-2). Dieser Wert ist sehr nah an 0. Gemäß der Definition des Korrelati-

onskoeffizienten deutet dieses auf keinen lineareren Zusammenhang zwischen den Werten hin.

Letzteres ist auch in der Abb. 7-33 zu entnehmen. Die Regressionsebene zeigt, dass die Außen-

temperatur fast keinen Einfluss auf den Energiebedarf hat. Würde man von einer konstanten So-

larstrahlung ausgehen, läge die Gerade, die den Zusammenhang zwischen Außentemperatur und

Energiemenge beschreibt fast parallel zur Achse der Außentemperatur. Dies bedeutet, dass in

Seite 117

diesem Fall der Wert der Außentemperatur nicht relevant ist, denn es wird immer die gleiche Ener-

giemenge benötigt.

Abb. 7-31: 1. Jahressimulation, Raumtemperaturverlauf in Nordwest-Zone (MR)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-NW

Seite 118

Tabelle 7-2: Kennwerte der Jahressimulation des 1. Testjahres, Nordwest-Zone

Betriebsweise Max. Fehler [%]

Korrelationskoeffizient Bestimmtheitsmaß

Heizen 25,13 -0,87 0,76

Heizen Wochenende 32,8 0,01 0,01

Kühlen 14,27 -0,90 0,82

Kühlen Wochenende 10,4 -0,87 0,76

Abb. 7-32: 1. Jahressimulation, Steuerfunktionen Nordwest „Heizen an Arbeitstagen“; Darstel-lung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR)

Abb. 7-33: 1. Jahressimulation, Steuerfunktionen Nordwest „Heizen an Wochenenden“; Dar-stellung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR)

Seite 119

Abb. 7-34: 1. Jahressimulation, Steuerfunktion Nordwest „Kühlen an Arbeitstagen“; Darstellung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR)

Abb. 7-35: 1. Jahressimulation, Steuerfunktion Nordwest „Kühlen an Wochenenden“; Darstel-lung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR)

Seite 120

Abb. 7-36: 1. Jahressimulation, Jahresdauerlinie der Raumtemperatur; Darstellung aller Zo-nen (MR)

7.4.4 Zweite Jahressimulation des Testgebäudes Zur weiteren Validierung des Algorithmus wurde ein zweites Jahr simuliert. Die Idee war, zu testen,

ob nach einem weiteren Jahr eine Steigerung des Selbstlernprozesses bei den Steuerfunktionen

stattfindet. Um letztlich eine Steigerung/ Verbesserung des Raumkomforts im Vergleich zum Vor-

jahr zu erhalten. Aus programmiertechnischen Gründen war es nicht möglich, in TRNSYS in einem

zweiten Jahr die gleiche Simulation durchzuführen. Deshalb wurden die Anfangssteuerfunktionen

des zweiten Jahres so gewählt, dass sie mit den Endsteuerfunktionen des ersten Jahres überein-

stimmten. Weiterhin wurde auf die gleichen Wetterdatensätze aus Stuttgart zurückgegriffen.

Es ist schwierig dem Ergebnis der TRNSYS Simulation zu entnehmen, ob tatsächlich eine Verbes-

serung der Klimatisierung stattgefunden hat. Aus diesem Grund wird ein Vergleich der Dauerlinien

durchgeführt.

Seite 121

Abb. 7-37: 2. Jahressimulation, Raumtemperaturverlauf in Nord-Zone (MR)

Das Ergebnis der 2. Jahressimulation für die Nord-Zone zeigt im Allgemeinen einen Anstieg der

Raumtemperatur über das ganze Jahr hinweg. Letzteres bestätigt der Dauerlinienvergleich (Abb.

7-38). Im Kühlfall verdreifachte sich die Anzahl der Stunden mit Temperaturen zwischen 26 °C und

27 °C, während im Heizfall eine Abnahme der Stunden mit Raumtemperaturen unter 22 °C stattge-

funden hat. Raumtemperaturen über 27 °C und unter 21 °C sind nicht vertreten.

Abb. 7-38: 2. Jahressimulation, Jahresdauerlinie der Raumtemperatur; Vergleich Nord-Zone (MR) erstes Jahr (N1) – zweites Jahr (N2)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 122

In der Zone Nordwest zeichnet sich eine größere Verbesserung im Vergleich zum Vorjahr ab als in

der Zone Nord. Das Verhalten im Kühlfall ist fast so geblieben wie im ersten Jahr, jedoch mit einem

leichten Anstieg der Betriebsstunden für Raumtemperaturen über 26 °C.

Im Heizfall wurde erreicht die Betriebsstunden mit Raumtemperaturen unter 22 °C zu reduzieren.

Jedoch ist in diesem Fall das Verbesserungspotenzial eingeschränkt. Es wurde schon erwähnt,

dass die TABS in diesen Zonen wegen fehlender Fläche an ihre Grenzen kommen um das Gebäu-

des ausreichend beheizen zu können. Insbesondere, wenn die Wetterbedingungen so sind wie am

Anfang und Ende des Jahres. Deshalb sehen wir in der Abb. 7-39, dass die Raumtemperaturen

fast den ganzen Tag unter 22 °C liegen.

Als Fazit der Simulation des zweiten Jahres lässt sich formulieren, dass eine leichte Verbesserung

im Heizfall stattgefunden hat. Die Multiple Regression hat für den Heizfall richtig funktioniert indem

sie die Steuerfunktionen etwas angehoben hat, um dem Gebäude mehr Energie zuzuführen als im

ersten Jahr. Allerdings entstand gleichzeitig eine leichte Verschlechterung im Kühlfall. Diese Ver-

schlechterung fiel bei der Nord-Zone etwas deutlicher aus als bei der Nordwest-Zone, während die

Verbesserung im Heizfall für beide Zonen fast gleich gewesen ist.

Abb. 7-39: 2. Jahressimulation, Raumtemperaturverlauf in Nordwest-Zone (MR)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-NW

Seite 123

Abb. 7-40: 2. Jahressimulation, Jahresdauerlinie der Raumtemperatur; Vergleich Nordwest-Zone (MR) erstes Jahr (NW1) – zweites Jahr (NW2)

Abb. 7-41: 2. Jahressimulation, Jahresdauerlinien der Raumtemperatur (MR)

7.4.5 Jahressimulation mit Änderung der inneren Lasten Die Idee einen lernfähigen Algorithmus zu entwickeln, war auch, dass er sich von selbst an Verän-

derungen im Gebäude anpassen kann. Diese Veränderungen werden in der Regel Änderungen

der inneren Lasten sein. Die Personenraumbelegung oder auch eine Änderung in der Anzahl der

Seite 124

Computer sind als Beispiele zu nennen. In diesem Teil der Arbeit werden die Ergebnisse der Simu-

lation mit Änderungen der Raumbelegung diskutiert, um festzustellen, ob die Multiple Regression

in der Lage ist, solche Veränderungen zu erfassen und die Steuerfunktion schnell genug anzupas-

sen, sodass die Raumtemperatur wieder zwischen 26 °C und 22 °C liegt.

Es wurden drei verschiedene Möglichkeiten getestet. Ab der Stunde 5000, also ca. Mitte Juli wurde

die Raumbelegung der Nord-Zone reduziert. D.h., die durch die Personen angefallenen Wärmege-

winne entfallen. Jede Person im Raum bedeutet eine Leistung von 150 W. Simuliert wurde erst-

mals mit einer Person weniger, was ab der Stunde 5000 nur noch eine Personenzahl von drei in

der Nord-Zone bedeutet. Dann wurde mit zwei Personen getestet und zum Schluss verließen alle

vier Personen den Raum damit das Verhalten mit einem leeren Raum simuliert werden konnte. Die

Darstellung des Ergebnisses erfolgt wie üblich mit der TRNSYS Simulation Engine. Zusätzlich ist

eine Dauerlinie nur mit den Betriebsstunden ab Stunde 5000 dargestellt.

Die Änderung von vier auf drei Personen im Raum war für die Raumtemperatur relativ unkritisch.

Aus der Abb. 7-42 ist zu entnehmen, dass die Steuerung der Zone ab Stunde 5000 noch funktio-

nierte. Die Raumtemperaturen stiegen kaum über 26 °C und sanken kaum unter 22 °C. Dies zeigt

auch die grüne Dauerlinie in der Abb. 7-45. Es sind ungefähr 70 Betriebsstunden, in denen die

Raumtemperatur 22 °C unterschreitet.

Als zweiter Schritt erfolgte ab Stunde 5000 die Simulation mit zwei Personen. Der Absturz der

Raumtemperatur ist in diesem Fall deutlicher zu sehen. (Abb. 7-43). Es wurde bis ca. Stunde 6300

zu viel gekühlt, und danach zu wenig geheizt. Daraus lässt sich schließen, dass der Verlust von

zwei Personen im Raum von der Steuerung nicht schnell genug zu bewältigen war. Aus der roten

Dauerlinie in der Abb. 7-45 ist zu entnehmen, dass die Raumtemperatur etwa ein Drittel der Zeit

unter 22 °C lag. Letzteres lässt daher vermuten, dass eine Änderung von vier auf null Personen

überhaupt nicht zulässig sein kann.

Abb. 7-44 zeigt die Ergebnisse der letzten Simulation mit einem leeren Raum. Die Steuerfunktio-

nen schafften es nicht mehr, die Raumtemperatur im gewünschten Bereich zu halten, abgesehen

von einigen Spitzen, die noch in diesem Bereich lagen. Das waren aber die Wochenenden, an

denen die Raumbelegung ohnehin keine Rolle gespielt hat. Auffallend war auch, dass die tiefste

Temperatur in einer Woche immer größer wurde und somit die Multiple Regression versuchte die

Steuerfunktionen anzupassen. Dieses erfolgte aber nicht schnell genug, um den Komfort bis zum

Ende des Jahres gewährleisten zu können.

Seite 125

Abb. 7-42: Jahressimulation mit Änderung der Lastsituation, Reduzierung der Personenbe-legung von 4 auf 3 Personen, Nord-Zone (MR)

Abb. 7-43: Jahressimulation mit Änderung der Lastsituation, Reduzierung der Personenbe-legung von 4 auf 2 Personen, Nord-Zone (MR)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 126

Abb. 7-44: Jahressimulation mit Änderung der Lastsituation, Reduzierung der Personenbele-gung von 4 auf 0 Personen, Nord-Zone (MR)

Abb. 7-45: Jahressimulation mit Änderung der Lastsituation, Jahresdauerlinien der Raum-temperatur (MR) Reduzierung der Belegung von 4 auf 0 (N40), auf 2 (N42) und auf 3 (N43) Personen

7.4.6 Jahressimulation mit Änderung des Standortes/ äußeren Lasten Eine letzte Simulation des Testgebäudes mit dem Algorithmus auf Basis von Multipler Regression

erfolgte indem der Standort geändert wurde. Der gewählte Wetterdatensatz war IT-Bologna-

161400.tm2. Bologna hat auf Grund seiner geographischen Lage ein wärmeres Klima mit höherer

Solarstrahlung als Stuttgart. Deshalb ist zu erwarten, dass die Temperaturen im Gebäude etwas

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 127

höher sind. Trotzdem sollte die Multiple Regression dieses erkennen und dementsprechend rea-

gieren. Es wird im Winter weniger Energie benötigt, um einen Raum zu heizen und mehr im Som-

mer, um den Raum zu kühlen. Begonnen wurde mit den gleichen Steuerfunktionen wie bei der

Simulation mit den Wetterdaten des Standorts Stuttgart.

Abb. 7-46 zeigt die Ergebnisse der Simulation am neuen Standort für die Nord-Zone. Wie erwartet

traten im Vergleich zu dem Wetter in Stuttgart häufiger Temperaturen über 26 °C auf. Allerdings

wurde auch deutlich, dass die Raumtemperaturen im Sommer nicht wesentlich höher waren als die

in Stuttgart, obwohl die Außentemperatur doch viel höher war. Letzteres zeigt, dass die Steuerung

im Kühlfall gut arbeitet und genügend Energie in das Gebäude fließt. Im Falle des Winters ist auch

zu sehen, wie sich am Anfang des Jahres die Steuerfunktionen anpassten, sodass am Ende des

Jahres komfortable Raumtemperaturen auftraten.

Im Fall der Nordwest-Zone gab es die gleichen Differenzen wie beim Standort Stuttgart. Diese

Zone wird im Vergleich zu den anderen am meisten von den äußeren Lasten beeinflusst. Deshalb

sind die Raumtemperaturen etwas höher als in der Nord-Zone. Interessant ist, dass bei dieser Si-

mulation am Ende des Jahres kein Absturz der Raumtemperatur, wie in der Simulation der

Standortdaten Stuttgart, erfolgt. Auf Grund der etwas höheren Temperaturen gab es genügend

Flächen, um die Zone zu klimatisieren.

Abb. 7-46: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nord-Zone (MR)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 128

Abb. 7-47: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nordwest-Zone (MR)

Abb. 7-48: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Jahresdauerli-nien der Raumtemperatur (MR)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-NW

Seite 129

7.5 Entwicklung eines Algorithmus auf Basis von Künstlichen Neuro-nalen Netzen mit Hilfe der Programme MATLAB und TRNSYS

Der Algorithmus auf Basis von Künstlichen Neuronalen Netzen wurde analog zu dem auf Basis von

Multipler Regression entwickelt. Für die Simulation wurde das gleiche Testgebäude benutzt, sowie

die gleiche Struktur des Korrekturfaktors. Der Ablauf des Algorithmus ist sehr ähnlich wie bei der

Multiplen Regression.

Es wurden wiederum mehrere Jahressimulation in TRNSYS durchgeführt, bei denen die internen

Lasten sowie der Standort und äußere Lasten geändert wurden. Es wurde absichtlich auf die Simu-

lation eines zweiten Jahres verzichtet, denn anders als bei der Multiplen Regression wären für die

KNN neue Wetterdaten notwendig gewesen. Bei den KNN hätte die Gefahr bestanden, dass das

Netz die Zusammenhänge „auswendig“ lernt, dies bedeutet, dass ein Overfitting des Netzes einge-

treten wäre.

7.5.1 Netztopologie Die Festlegung der Netztopologie ist einer der ersten Schritte, um eine Aufgabestellung mit Hilfe

der KNN lösen zu können. Dabei ist zu beachten, dass für die KNN viele Variable existieren, die

einen Einfluss auf die Ergebnisse der Prognose haben. Alle diese Variablen zu testen ist nahezu

unmöglich [MAT2011], [WKN2011].

Für die Wärmelastprognose wurde ein Feedforward-Netz mit zwei Inputs definiert, nämlich die

mittlere Außentemperatur und die mittlere Solarstrahlung. Der Output ist selbstverständlich der

Energiebedarf für die Kühlung bzw. Heizung mit TABS. Die Inputs und Outputs des neuronalen

Netzes entsprechen denen bei der multiplen linearen Regression und werden in Abb. 7-23 darge-

stellt.

In der versteckten Schicht wurden vier Neuronen mit einer Tangens-Hyperbolicus-

Aktivierungsfunktion benutzt. In der Output-Schicht ein Neuron, denn es gibt nur einen Output. Für

diese Schicht wurde eine lineare Aktivierungsfunktion eingesetzt. Diese Topologie ist sehr üblich

für Approximationsprobleme bzw. Regressionsprobleme [MAT2011].

Abb. 7-49: Graphische Darstellung des Netzes

Seite 130

7.5.2 Training des Netzes

Das Netz wurde mit den Wetterdatensätzen aus TRNSYS gespeist. Dabei wurden die Daten in

zwei Sätze geteilt, in die für den Winter und die für den Sommer. Für die Targets, d.h. den Ener-

giebedarf, standen leider keine Daten zur Verfügung. Es wurden die Energiebedarfsdaten, die aus

der Multiplen Regression berechnet wurden, übernommen. Letzteres stellt eine erste Fehlerquelle

dar, denn diese Daten entsprachen keineswegs dem genauen Energiebedarf, der für die Klimati-

sierung des Gebäudes erforderlich ist.

Es war notwendig, eine Teilung der Daten vorzunehmen, damit der KNN vernünftige Prognosen

liefert. Deshalb wurden die Daten in vier Kategorien unterteilt:

• Heizperiode Arbeitstage

• Kühlperiode Arbeitstage

• Heizperiode Wochenende

• Kühlperiode Wochenende

Die Heizperiode wurde so definiert, dass sie die Daten von Anfang Januar bis Mitte April umfasst

und auch die von Anfang November bis Ende Dezember. Die Definition der Kühlperiode umfasst

die restlichen Daten von Mitte April bis Ende Oktober.

Für ein erstes Training wurden nach dem Zufallsprinzip 25 % der Daten des Netzes ausgewählt.

Letzteres war für die Heizperiode und Kühlperiode möglich, denn es standen genug Daten zur

Verfügung. Für die beiden Perioden des Wochenendes wurden für das erste Training 80 % benö-

tigt, sonst hätte es für die Prognosen zu wenige Daten gegeben. Dieses erste Training diente als

Anfangszustand des Netzes und fand vor dem Simulationsstart statt.

Es werden wiederum drei Datensätze benötigt. Ein Satz ist für das eigentliche Training, ein zweiter

für die Validation und ein dritter für einen Test des Netzes. Es war möglich auf den dritten Satz zu

verzichten. Der erste Satz beinhaltete für alle drei Kategorien 80 % der Trainingsdaten und für die

Validation wurden 20 % der Daten zur Verfügung gestellt [WNN2005].

Das Training erfolgte mit Hilfe der Backpropagation und dem Levenberg-Marquardt-Algorithmus.

Dieser Algorithmus von MATLAB wurde vorgezogen und als Standard voreingestellt, denn er ist für

das Training ein schneller Algorithmus und verbraucht im Vergleich zu den anderen weniger Re-

chenressourcen. Weiterhin wurden die Fehler zwischen gewünschtem und tatsächlichem Aus-

gangswert mit dem „Mean Squared Error“ berechnet.

7.5.3 Algorithmus auf Basis von Künstlichen Neuronalen Netzen Der Algorithmus auf Basis von KNN wurde analog zu dem auf Basis der Multiplen Regression ent-

wickelt. Aus diesem Grund werden in diesem Abschnitt nur auf die Besonderheiten eingegangen,

die diesen Algorithmus betreffen.

Für jede Zone des Testgebäudes gibt es vier Künstliche Neuronale Netze, die die Steuerung der

Thermoaktiven Bauteilsysteme vornehmen. Es wird unterschieden zwischen Heizperiode und

Seite 131

Kühlperiode, genauso wie zwischen Arbeitstag und Wochenende. Dieses hat zur Folge, dass die

Steuerung des ganzen Gebäudes mit 24 Künstlichen Neuronalen Netzen stattfindet. Dies bedeutet,

dass vier Künstliche Neuronale Netze für jede einzelne der sechs Zonen bestehen. Jede Zone

wurde dementsprechend einzeln betrieben, was genauso wichtig war wie bei der Multiplen Re-

gression, denn die Zonen haben immer noch verschiede Wärmelasten, die zu bewältigen sind.

Nach jedem beendeten Tag fand eine Auswertung des Gebäudeverhaltens statt. Auf Datenbasis

der Raumtemperaturverläufe wurde entschieden, ob genug Energie im Gebäude gespeichert war.

War das nicht der Fall wurden mit dem Korrekturfaktor die Eingangsgrößen verändert um den

Energiebedarf mit ausreichender Beladung zu decken. Diese neue Kombination von Inputs und

Targets wurde gespeichert, was ein tägliches Anwachsen der Datensätze für das Training des

Netzes zur Folge hatte.

Die Netze wurden jeden Tag um 01:00 Uhr mit den neuen Datensätzen modifiziert. Der Trainings-

vorgang verlief in der gleichen Weise wie im vorherigen Abschnitt erklärt, wobei sich der einzige

Unterschied aus dem bereits erwähnten täglichen Anwachsen der Datensätze ergab. Aus diesem

Grund wurde das Verhalten des Netzes verbessert. Eine Analogie zur Multiplen Regression wurde

in diesem Fall geschaffen. Bei dieser wächst der Index unserer OLS-Schätzung auch jeden Tag

an. Zu beachten ist, dass im Fall der Künstlichen Neuronalen Netzen das Training nur mit 25 %

aller zur Verfügung stehenden Daten stattfanden.

7.5.4 Erste Jahressimulation des Testgebäudes

Die Ergebnisse der Simulation des Testgebäudes über ein ganzes Jahr, sowie die Darstellung der

Raumtemperaturverteilung in Form von Dauerlinien werden in diesem Teil der Arbeit vorgestellt. Es

werden die Ergebnisse der Nord-Zone und Nordwest-Zone diskutiert, denn diese Zonen können

als repräsentativ für die anderen angesehen werden. Die Simulation erfolgte wiederum mit dem

Wetterdatensatz eines Testreferenzjahres von Stuttgart.

Abb. 7-50 zeigt das Jahresergebnis der Simulation für die Nord-Zone. Im Vergleich zu dem Ergeb-

nis der Multiplen Regression ist anzumerken, dass die Raumtemperaturen in diesem Fall etwas

höher waren. Allerdings ist zu erkennen, dass sich der Algorithmus gut anpassen kann. Die Raum-

temperatur blieb, bis auf wenige Ausreißer, das ganze Jahr im gewünschten Bereich von 22 °C bis

26 °C. Am Ende des Jahres haben die Künstlichen Neuronalen Netze offensichtlich gelernt und

konnten die thermische Behaglichkeit im Raum gewährleisten.

Die rote Dauerlinie in der Abb. 7-51 zeigt einen sehr akzeptablen Verlauf mit wenigen Betriebs-

stunden mit Temperaturen über 26 °C und genauso wenigen Betriebsstunden mit Temperaturen

unter 22 °C.

Seite 132

Abb. 7-50: Jahressimulation, Raumtemperaturverlauf in Nord-Zone (KNN)

Abb. 7-51: Jahressimulation, Jahresdauerlinie der Raumtemperatur; Darstellung aller Zonen (KNN)

Die Zone im Nordwesten erfährt im Vergleich mit der Nord-Zone deutlich mehr Wärmelasten, denn

sie verfügt über ein Fenster mehr. Durch das Fenster wird mehr solare Wärme eingetragen, bzw.

mehr Wärmeverloren. Dies muss mit den TABS ausgeglichen werden. Es ist deshalb zu erwarten,

dass die Raumtemperaturen in dieser Zone höher liegen als in der Nordzone.

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 133

Abb. 7-52 zeigt den Raumtemperaturverlauf über ein ganzes Jahr in der Nordwest-Zone. Im Som-

mer gab es deutlich mehr Grenzwertüberschreitungen. Weiterhin war es in den letzten Betriebs-

stunden (ca. ab Stunde 8500) wieder nicht möglich, die Behaglichkeit des Raumes zu gewährleis-

ten. Dies lag wiederum an der Tatsache, dass nicht genügend Fläche für die Klimatisierung mit

TABS zur Verfügung stand.

Die Dauerlinie in der Abb. 7-53 lässt erkennen, dass es in dieser Zone schwerer war, die ge-

wünschte Raumtemperatur zu halten. Dieses galt aber genauso im Falle der Multiplen Regression.

Es traten ca. 300 Betriebsstunden mit Raumtemperaturen über 26 °C und fast genauso viele mit

Temperaturen unter 22 °C auf. D.h. in 20 % der Betriebszeit konnte die Behaglichkeit des Raumes

nicht gewährleistet werden.

Wenn in Betracht gezogen wird, dass die Targets der Künstlichen Neuronalen Netzes nicht be-

kannt waren und weiterhin mit den berechneten Daten der multiplen Regression gearbeitet wurde,

sind die Ergebnisse der Simulation mit Künstlichen Neuronalen Netzen befriedigend. Die Raum-

temperaturen wurden von dem Künstlichen Neuronalen Netz im Griff gehalten, ohne bedeutsame

Überhitzungen bzw. Unterkühlungen der Räume zu bekommen.

Abb. 7-52: Jahressimulation, Raumtemperaturverlauf in Nordwest-Zone (KNN)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-NW

Seite 134

Abb. 7-53: Jahressimulation, Jahresdauerlinie der Raumtemperatur; Darstellung der Nord-west-Zone (KNN)

7.5.5 Jahressimulation mit Änderung der inneren Lasten Für die Simulation mit Änderung der inneren Lasten wurde wieder die Nord-Zone gewählt. Damit

ist ein Vergleich zu dem Ergebnis der Multiplen Regression möglich. Analog zum vorherigen Kapi-

tel wurden drei Szenarien untersucht. Während der Betriebszeiten wurde die Anzahl der Personen

im Raum reduziert. Ab der Stunde 5000 erfolgte die Berechnung einmal mit drei statt vier Perso-

nen. Die Berechnung im zweiten Versuch erfolgte nur mit zwei Personen im Raum und im dritten

und letzten Versuch waren keine Personen im Raum.

Der Effekt der Verringerung der Personenlast im Raum ist bereits deutlich beim Verringern um eine

Person zu erkennen. Die Raumtemperaturen sinken im Allgemeinen um ein paar Grad. Allerdings

ist es noch möglich, die Temperatur im gewünschten Bereich zu halten, sodass diese Änderung

der Wärmelasten unkritisch bleibt. Zwischen der Stunde 5000, in der die Änderung der inneren

Lasten stattfand und der Stunde 8760 ist eine leichte Verbesserung der Raumtemperaturen zu

sehen. Dieses deutet auf die Lernfähigkeit der Künstlichen Neuronalen Netze hin.

Anders sieht es aus, wenn sich die Anzahl der Personen im Raum ab Stunde 5000 von drei auf

zwei reduziert. Für den Algorithmus war es nicht mehr möglich, die Behaglichkeit im Raum zu ge-

währleisten und die Künstlichen Neuronalen Netze lernen das neue Verhalten des Gebäudes nicht

so schnell, sodass die Temperaturen am Ende des Jahres wieder zwischen 22 °C und 26 °C lie-

gen.

Das Ergebnis der Reduzierung von vier auf zwei Personen war nicht zufriedenstellend. Im dritten

Versuch mit keinen Personen im Raum war der Algorithmus ebenfalls nicht in der Lage, die Raum-

temperatur im gewünschten Bereich zu halten. Letzteres bestätigt das Ergebnis in der Abb. 7-55

Seite 135

Abb. 7-54: Jahressimulation mit Änderung der Lastsituation, Reduzierung der Personenbe-legung von 4 auf 3 Personen, Nord-Zone (KNN)

Abb. 7-55: Jahressimulation mit Änderung der Lastsituation, Reduzierung der Personenbe-legung von 4 auf 0 Personen, Nord-Zone (KNN)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 136

Abb. 7-56: Jahressimulation mit Änderung der Lastsituation, Jahresdauerline der Raum-temperatur (KNN)

7.5.6 Jahressimulation mit Änderung des Standortes/äußeren Lasten Die Ergebnisse der Simulation mit einem neuen Standort des Gebäudes werden in diesem Teil der

Arbeit diskutiert. Ziel ist es herauszubekommen, wie gut der Algorithmus bzw. die Künstlichen Neu-

ronalen Netze auf eine Änderung der Wetterbedingungen reagieren.

Die Simulation der Nord-Zone lieferte zufriedenstellende Ergebnisse, denn wie in der Abb. 7-57 zu

sehen ist, wurde die Raumtemperatur schnell in dem gewünschten Bereich gehalten. Die Künstli-

chen Neuronalen Netze waren nur am Anfang des Jahres nicht in der Lage die Klimatisierung rich-

tig zu bewältigen. Dies liegt daran, dass das Gebäudeklima (Temperatur, Luftfeuchtigkeit) in TRN-

SYS mit einem Anfangszustand definiert wurde. Somit liegt zu Beginn eine Einschwingphase vor.

Es dauert eine gewisse Zeit bis die Simulation die Klimatisierung richtig darstellt. Interessant ist die

Ähnlichkeit des Verlaufs der Raumtemperatur im Sommer mit der bei der Simulation mit den Wet-

terbedingungen von Stuttgart. Durch dieses Verhalten wird die Anpassungsfähigkeit des Künstli-

chen Neuronalen Netzes aufgezeigt.

Das Ergebnis der Simulation des neuen Standorts fiel im Vergleich mit der Simulation des Alten

Standorts zufriedenstellend aus. Obwohl sich die Wetterbedingungen des Standort Bologna sehr

von Stuttgart unterscheiden, wurden die Raumtemperaturen an beiden Standorten nahezu gleich.

Im Allgemeinen war es in der Simulation (Abb. 7-58) des Standorts zwar etwas wärmer, aber trotz-

dem funktionierten die Klimatisierung und die Lernfähigkeit der Künstlichen Neuronalen Netze gut.

Einen besseren Vergleich der Ergebnisse bieten die Abb. 7-59 und Abb. 7-60. Interessant ist der

Vergleich in der Abb. 7-60 für die Nordwest-Zone. Hier lieferte der Algorithmus ein besseres Er-

Seite 137

gebnis als die Multiple Regression. Während sich das Verhalten im Kühlfall kaum änderte, ergaben

sich im Heizfall weniger Betriebsstunden im Bereich unter 22 °C.

Abb. 7-57: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nord-Zone (KNN)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-N

Seite 138

Abb. 7-58: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nordwest-Zone (KNN)

Abb. 7-59: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Jahresdauerli-nien der Raumtemperatur, Nord-Zone (KNN)

15,0

17,5

20,0

22,5

25,0

27,5

30,0

0 730 1460 2190 2920 3650 4380 5110 5840 6570 7300 8030 8760

Raum

tem

pera

tur i

n °C


T_Raum-NW

Seite 139

Abb. 7-60: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Jahresdauerli-nien der Raumtemperatur, Nordwest-Zone (KNN)

Seite 140

8 Anbindung an Gebäudeleittechnik

Erstellt durch: FMSbase.com

8.1 Anbindung der Hardware

Der entwickelte Sensor verfügt über eine MODBUS-Schnittstelle (RS485 2-Draht-Verbindung).

Diese Schnittstelle ermöglicht den Zugang zu den empfangenen und bereits aufbereiteten Wetter-

daten. Weiterhin kann der Sensor auf den bestimmten Regionalbereich entsprechend den Festle-

gungen des Wetterdienstes eingestellt werden.

Im Test wurde der Sensor an eine WAGO-SPS angeschlossen.

Abb. 8-1: Testaufbau Anschluss Sensor an WAGO-SPS

Seite 141

Abb. 8-2: Testaufbau WAGO-SPS - Bestandteile

Für den Test der Kommunikation wurde eine WAGO-SPS mit folgenden Bestandteilen genutzt:

Pos. 0. WAGO Controller 750-880

Pos. 1. WAGO Serielle Schnittstelle 750-652

Pos. 2. WAGO Busendklemme 750-600

Die serielle Schnittstellenkarte wurde entsprechend den Vorgaben des Sensors eingestellt.

• RS 485 - Schnittstelle

• Datenübertragungsrate 19200 Baud

• Parität EVEN

• Anzahl der Datenbits 8

• Anzahl der Stoppbits 1

• Slave Adresse 1

• RTU Mode

• Function Codes: 01, 03, 06 sind umgesetzt.

Für den WAGO-Controller wurde eine Programmierung erstellt, die die Kommunikation mit dem

Sensor herstellt und die vorhandenen Daten ausliest. Die Programmierung erfolgt in der CoDeSys

2.3 unter Berücksichtigung der notwendigen Bibliotheken der Firma WAGO.

Seite 142

Abb. 8-3: Testprogrammierung WAGO-SPS in CoDeDys 2.3

In der Schnittstelle zur Gebäudeleittechnik (WAGO-SPS) werden die empfangenen Daten einzeln

zur Abfrage durch die übergeordnete Automatisierungsebene zur Verfügung gestellt. Der vorhan-

dene Sensor-Prototyp erlaubt den Empfang von 24 Temperaturdaten pro Tag (als Stundenwert) für

einen Zeitraum von Heute plus 2 Tage im Voraus. D.h., dass 72 Stundenwerte der Außentempera-

turprognose vorgehalten werden. Zusätzlich kann direkt der Temperatur- und Luftfeuchtigkeits-

messwert (rel. Luftfeuchtigkeit) des angeschlossenen Sensors abgerufen werden. Weiterhin ist ein

Empfang des aktuellen Datums mit Zeitstempel (DCF 77-Signal) mit integriert. Hiermit besteht die

Möglichkeit den Sensor bzw. die Daten direkt als Zeitmaster (zur Synchronisation der Zeiten inner-

halb der gesamten Gebäudeleittechnik einschließlich PC’s und DDC‘s/SPS) zu nutzen. Dies wird

ausdrücklich als positiver Nebeneffekt erwähnt, da in der Praxis hier oftmals eine Fehlerquelle für

ein unsauberes Verhalten der Anlagen zu finden ist.

Für die Programmierung ist die Kenntnis der Datenformate wichtig. In diesem Fall werden die

Temperaturwerte als signed 16Bit Integer-Werte mit einer Kommaverschiebung um eine 10ner

Potenz zur Verfügung gestellt. Alle anderen Werte sind als unsigned 16Bit Integer-Werte verfüg-

bar.

Seite 143

8.2 Anbindung zur Gebäudeleittechnik

Bei der eingesetzten Gebäudeleittechnik handelt es sich um folgende Softwarekomponenten:

• Wonderware Application Server 3.1 Patch01

• Wonderware InTouch 10.1 Patch01

• Wonderware Historian 10.0

Der Application Server übernimmt die Datenakquisition und interne weitere Verarbeitung der Da-

ten. Weiterhin arbeitet dieser nach dem Schema einer Software-SPS. Dadurch können ver-

schiedenste Programmierungen umgesetzt werden.

Mit Wonderware InTouch werden die Daten visualisiert und der Historian, als Aufsatz für den

Microsoft SQL Server 2008, organisiert das Abspeichern der Daten und die Abfrage der histori-

schen Daten.

Die eingesetzte Software arbeitet als Paket und baut aufeinander auf. Der Vorteil der Application

Server Technologie besteht in der Möglichkeit mit einem geeigneten Softwaretool eigene Objekte

zu Erstellen und in die Gebäudeleittechnik zu integrieren.

Die Anbindung der Sensordaten an die Gebäudeleittechnik (GLT) erfolgt über das MODBUS-

Protokoll (via Ethernet/IP) zwischen WAGO-Controller und Wonderware Gebäudeleittechnik. Hier-

bei wird der von Firma Wonderware bereitgestellte Treiber genutzt. Dabei erhält die Gebäudeleit-

technik (GLT) Zugriff auf die im Controller vorhandenen Speicherbereiche und liest diese zyklisch

aus.

Abb. 8-4: Testprogrammierung Wonderwarezugriff auf WAGO-SPS

Seite 144

Die Daten werden durch das Kommunikationsobjekt akquiriert und für die weitere Bearbeitung

innerhalb der Wonderware Gebäudeleittechnik zur Verfügung gestellt.

8.3 Integration der Fuzzy-Logik

Im Rahmen des Forschungsvorhabens wurde eine Fuzzy-Simulation erstellt, die in die Gebäude-

leittechnik umzusetzen war. Folgende Anforderungen wurden umgesetzt.

1. Es sollen zwei Eingangsvariablen berücksichtigt werden. Als Vorgabe wurde die Außentempe-

ratur (Tmean) und die Globalstrahlung (Imean) ermittelt.

2. Es gibt eine Ausgangsgröße (Etabs).

3. Für die Eingangsvariable Außentemperatur wurde folgende Fuzzy-Zuordnung erstellt.

Abb. 8-5: Fuzzy-Spezifikationen für die Eingangsvariable Außentemperatur

4. Für die Eingangsvariable Globalstrahlung wurde folgende Fuzzy- Zuordnung erstellt.

Abb. 8-6: Fuzzy-Spezifikationen für die Eingangsvariable Globalstrahlung

00,10,20,30,40,50,60,70,80,9

1

-10 0 10 20 °C

kalt

neutral

heiss

warm

kuehl

00,10,20,30,40,50,60,70,80,9

1

0 500 1000 W/m²

duester

mittel

strahlend

Seite 145

5. Für die Ausgangsvariable Energiebedarf (Etabs) wurde folgende Fuzzy-Zuordnung erstellt.

Abb. 8-7: Fuzzy-Spezifikationen für die Ausgangsvariable Energiebedarf

Die umgesetzte Logik arbeitet entsprechend den Vorgaben zur Spezifikation der Fuzzy-Logik als

Typ „Mamdani“ Die DeFuzzyfikation erfolgt nach dem Flächenschwerpukt. Als Ergebnis wird eine

Fläche erstellt, die in der folgenden Grafik dargestellt ist.

Abb. 8-8: grafische Darstellung des Ergebnis der Fuzzy-Logik

In Abhängigkeit der Eingangsvariablen liegt die Ausgangsgröße auf der dargestellten Fläche.

8.4 Umsetzung Multiple lineare Regression

Um aus historischen Betrieb- und Wetterdaten das Wärmebedarfsmodell eines Gebäudes zu be-

stimmen, kann mit Hilfe eines multiplen Regressionsverfahrens die Energiesignatur des Gebäudes

erstellt werden. Hierfür werden täglich Messdatensätze aus dem laufenden Betrieb beziehungs-

weise aus einer historischen Datenbank erstellt und für die Modellbildung verwendet. Aus Mess-

00,10,20,30,40,50,60,70,80,9

1

-30 -20 -10 0 10 20

heat++

heat

Aus

cool

cool++

Seite 146

werten von Außentemperatur und Globalstrahlung werden Tagesmittelwerte gebildet. Desweiteren

wird der Energiebedarf für Heizen und Kühlen tageweise berücksichtigt. Zeichnet man diese

Messdatensätze in einem dreidimensionalen Koordinatensystem wie in Abb. 8-9 rechts dargestellt

auf ergibt sich eine spezifische Werteanordnung dargestellt in einer Flächenform.

𝑌 = 𝑏0 + 𝑏1 ∗ 𝑋1 + 𝑏2 ∗ 𝑋2

Die Koeffizienten b0, b1 und b2 erhält man als Ergebnis der Regression. Das gesuchte Modell zur

Bestimmung des Wärmebedarfs lautet.

𝐸 = 𝑏0 + 𝑏1 ∗ 𝜗𝑎𝑚𝑏�� + 𝑏2 ∗ 𝐼𝐺,ℎ𝑜𝑟��

E elektrischer Energiebedarf [kWh]

ϑamb�� Tagesmittelwert der Außentemperatur [°C]

IG,hor�� Tagesmittelwert der Globalstrahlung auf die Horizontale [W/m²]

Abb. 8-9: Kühlbedarf in Abhängigkeit von Temperatursummen (links) und in Abhängigkeit von Temperatur- und Strahlungssummen (mitte und rechts) mit Regressionsebene.

Seite 147

8.5 Zugriff auf historische Daten der Gebäudeleittechnik des Bun-desministerium Gesundheit in Bonn

Die Hochschule Offenburg soll Zugriff auf die historischen Daten der Gebäudeleittechnik des Bun-

desministeriums für Gesundheit in Bonn erhalten. Hierfür wurde von der Hochschule Offenburg

eine Hochschullizenz der Fa. Wonderware erworben. Mit der erhaltenen Software besteht die Mög-

lichkeit den Zugriff auf die Daten einzurichten.

Die historischen Daten der vorhandenen Wonderware Gebäudeleittechnik werden über einen

Microsoft SQL-Server 2005 (Wonderware Industrial Historien Server 9.0) gespeichert. Um die Da-

ten abrufen zu können, muss ein Zugriff auf den SQL-Server von einer Client-Software möglich

sein.

Auf Grund der bestehenden Sicherheitsbestimmung ist eine Ferneinwahl und der damit verbunde-

ne Zugriff auf die historischen Daten nicht umsetzbar. Daher wurde auf einem Rechner der Hoch-

schule Offenburg eine Kopie der historischen Daten inklusive des benötigten SQL-Servers einge-

richtet. Die Konfiguration der Gebäudeleittechnik wurde anschließend importiert. Die vorhandenen

historischen Daten wurden manuell in die entsprechenden Verzeichnisse kopiert und stehen seit-

dem der Nutzung zur Verfügung.

Im Software-Paket der Hochschullizenz sind zwei Programme zur Abfrage der historischen Daten

enthalten. Das Trendprogramm ermöglicht eine einfache Visualisierung der Daten in einem Linien-

oder Scatterplot. Das Programm Query ermöglicht das Erstellen sehr spezifischer Abfragen und

gibt das Abfrageergebnis als Tabelle zurück. Dieses Programm ermöglicht dem Nutzer das Opti-

mieren der Abfrage durch die gezielte Nutzung der vorhandenen Abfrageparameter. So können

z.B. gezielt Summen- oder Tagesmittelwerte abgefragt werden. Mit Hilfe des Query-Programms

können komplexe SQL-Abfragen erstellt werden, die innerhalb anderer SQL-Clientprogramme

genutzt werden können (z.B. MATLAB).

Seite 148

9 Fazit


9.1 Ausgangslage

In der Praxis werden zunehmend Wetterprognosen in Systeme der Gebäudeautomation integriert.

Meistens werden jedoch lediglich konventionelle Automationsverfahren verbessert, indem die

Stellgrößen mit Korrekturen versehen werden, die aufgrund von Wetterprognosen gebildet werden.

Damit kann jedoch das mögliche Potential nicht ausgeschöpft werden. Als Beispiel sei hier die

Steuerung von thermisch aktiven Bauteilsystemen (TABS) genannt, die durchweg mit variabler

Vorlauftemperatur betrieben werden. Diese wird anhand von Heiz- und Kühlkurven in Abhängigkeit

der Außentemperatur gebildet. Wenn Wetterprognosen genutzt werden, erfolgt die Korrektur der

Vorlauftemperatur in Abhängigkeit der prognostizierten Daten für die Außentemperatur und even-

tuell noch der Globalstrahlung. Eine Regelung ist aufgrund der großen Trägheit der TABS nicht

möglich, der Energiebedarf des Gebäudes ist nicht bekannt. Die Auslegung der Steuerung erfolgt

anhand von Erfahrungswerten und durch manuelle Korrekturen im Gebäudebetrieb bis ein zufrie-

denstellendes Verhalten erreicht wird.

Um das Potential ausnutzen zu können, sollte jedoch der künftige Energiebedarf der Gebäude

oder einzelner Zonen prognostiziert werden. Diese Energiemenge muss dann mit möglichst hoher

Effizienz in die speichernden Bauteile eingebracht werden. Dies wird erreicht, indem die Systeme

mit maximal oder minimal möglicher Vorlauftemperatur betrieben werden. Die Betriebszeit der Sys-

teme wird dadurch minimiert, der Energiebedarf optimiert.

9.2 Entwicklung prädiktiver Verfahren für die Gebäudeautomation

9.2.1 Entwicklungsumgebung

Für die Entwicklung der prädiktiven Automationsverfahren ist eine einheitliche Testumgebung

durch die Kopplung der Programme TRNSYS und MATLAB erstellt worden. Die Einbindung von

MATLAB in die Gebäudesimulation von TRNSYS ermöglicht die Entwicklung und den Test von

mathematisch komplexen Algorithmen. Die Simulation des Gebäudes mit seinen thermisch aktiven

Bauteilen wird in TRNSYS zuverlässig und bewährt durchgeführt. Die Abbildung der inneren Las-

ten sowie die von einfachen Aufgaben der Gebäudeautomation wie die Licht- und Jalousiensteue-

rung werden ebenfalls in TRNSYS realisiert. Die Entwicklung und die Simulation der prädiktiven

und selbstlernenden Verfahren der TABS-Steuerung werden in MATLAB ausgelagert. Dies ermög-

licht die Realisierung von komplexen mathematischen Verfahren bei voller Integration in die dyna-

mische Simulation des Gebäudes. Als Versuchsgebäude ist ein eingeschossiges Gebäude mit

sechs Zonen in TRNSYS modelliert worden. Die Decken sind als thermisch aktive Bauteile (TABS)

ausgeführt und dienen zur Beheizung und Kühlung des Gebäudes. Die TABS einer jeden Zone

sind separat ansteuerbar.

Diese Entwicklungsumgebung ist von allen Projektpartnern für den Entwurf der prädiktiven und

selbstlernenden Verfahren genutzt worden und hat sich ausgesprochen gut bewährt.

Seite 149

9.2.2 Prinzip der Energiebedarfsprognose

Für das Betreiben thermisch aktiver Bauteilsysteme (TABS) als typischem Anwendungsfall für prä-

diktive Verfahren sind verschiedene Ansätze entwickelt worden. Sie basieren alle auf dem Prinzip

der Energiebedarfsprognose in Verbindung mit dem Betreiben der TABS bei maximal beziehungs-

weise minimal möglicher Vorlauftemperatur und der dadurch zu erzielenden maximalen Effizienz

des Gesamtsystems. Die Steuerung der Energiemengen erfolgt rein zeitgesteuert und nicht durch

Variation von Vorlauftemperatur oder Massenstrom.

Um anhand von Wetterprognosen den Energiebedarf des Gebäudes bestimmen zu können ist die

Entwicklung von einfachen Energiebedarfsmodellen notwendig, die in der Gebäudeautomation

eingesetzt werden können.

In einem ersten Ansatz wurde das TRNSYS-Gebäudemodell mit idealer Heizung und idealer Küh-

lung betrieben. Man erhält dadurch diejenigen Energiemengen, die dem Gebäude theoretisch zu-

geführt werden müssten, um die Komfortbedingungen einhalten zu können. Die Art der Heizung

und der Kühlung spielt hierbei keine Rolle, die dynamischen Eigenschaften der entsprechenden

Systeme können in der Simulation daher auch nicht berücksichtigt werden. Als Ergebnis erhält

man ein Prognosemodell, das sich schon für den Einsatz in realen Gebäuden eignet. Ein Justieren

der Parameter im laufenden Betrieb, um das Modell an die Realität anzupassen, ist jedoch erfor-

derlich.

In einem weiteren Verfahren sind die TABS im Gebäudemodell mit abgebildet worden. Damit ist

dann für jeden Tag des Jahres in einem iterativen Verfahren die Mindestbetriebsdauer des Sys-

tems bestimmt worden, die für die Einhaltung der Komfortgrenzen erforderlich ist. Das Ergebnis

stellt das Optimum dessen dar, was mit prädiktiven Verfahren erreichbar ist, sowohl den Komfort

als auch den Energiebedarf betreffend. Die Ergebnisse dieser aufwendigen Simulation lassen sich

durch ein multiples lineares Regressionsverfahren zur Erstellung von Energiebedarfsmodellen

nutzen und bilden das reale Verhalten des Gebäudes sehr gut ab. Liegen ausreichend historische

Messdaten eines zufriedenstellenden Betriebs mit TABS vor, lassen sich die Modelle auch sehr

einfach aus diesen historischen Daten erstellen.

Der Vergleich der vorgestellten prädiktiven Betriebsweisen mit den heute üblichen Verfahren mit

von der Außentemperatur abhängiger variabler Vorlauftemperatur zeigt das mögliche Potential auf.

Vergleichende Simulationsrechnungen ergaben Einsparungen in der Größenordnung von 20 bis

30 %.

Eine aufwendige Sensitivitätsanalyse konnte einen Zusammenhang zwischen zugeführter Ener-

giemenge und Änderung in der Raumtemperatur aufzeigen. Dieser Zusammenhang kann für ein

selbstlernendes Verfahren auf der Basis eines Fuzzy-Expertensystems genutzt werden, das die

Inbetriebnahme und die laufende Anpassung an Änderungen im Systemverhalten, zum Beispiel

durch Nutzungsänderung, wesentlich vereinfachen würde. Die fortwährende Korrektur des Ener-

giebedarfsmodells eines Gebäudes wäre auf diese Weise aufgrund der Erfahrung aus dem Ge-

bäudebetrieb selbst möglich.

Seite 150

9.2.3 Selbstlernende Algorithmen

Ausgehend von einem einfachen prädiktiven Algorithmus, der auf dem Prinzip der Energiebedarfs-

prognose basiert, sind an der Hochschule Köln zwei selbstlernende Optimierungsverfahren unter-

sucht worden. Die Aufgabe bestand darin, das Energiebedarfsmodell des prädiktiven Verfahrens

an die unterschiedlichen thermischen Eigenschaften der sechs Zonen im Gebäudemodell anzu-

passen. In der Ausgangsversion sind alle sechs Zonen gleich angesteuert worden, was aufgrund

unterschiedlicher thermischer Eigenschaften, bedingt durch unterschiedliche Fensterflächen und

deren Orientierung, zu teilweise schlechten Ergebnissen führte. Dies entspricht der Situation, die

üblicherweise bei der Inbetriebnahme von Gebäuden vorliegt. Die Steuerfunktionen für die einzel-

nen Zonen sind mit Hilfe der Messdaten des laufenden Betriebs korrigiert worden. Es wurde zum

einen mit einem Regressionsmodell gearbeitet, zum anderen mit einem künstlichen neuronalen

Netz (KNN).

Es hat sich gezeigt, dass die Verfahren nach einer Betriebszeit von ungefähr vier Wochen in der

Lage waren, die geforderten Komfortbedingungen zwar nicht perfekt, aber doch insgesamt zufrie-

denstellend einzuhalten. Bei problematischen Zonen mit großer Fensterfläche und hohen solaren

Gewinnen zeigte sich das Regressionsverfahren den KNN überlegen.

Eine zweite Aufgabe konnte ebenfalls mit befriedigendem Ergebnis gelöst werden. Durch Verwen-

dung eines anderen Wetterdatensatzes (Bologna anstatt Stuttgart) sollten die Algorithmen ihre

Leistungsfähigkeit bei der Anpassung an ein sich veränderndes Klima zeigen. Beide Verfahren

zeigten eine erfolgreiche Anpassung des Energiebedarfsmodells an die veränderten klimatischen

Bedingungen. Die Ergebnisse zeigen jedoch noch relativ häufig auftretende Übertemperaturen,

hier besteht noch Verbesserungsbedarf.

Als letzte und wie sich zeigte schwierigste Aufgabe, wurden ab Mitte Juli die internen Lasten ver-

ändert. Eine Reduktion um 25 % war problemlos zu korrigieren, weniger befriedigend waren die

Ergebnisse bei der Reduktion auf 50 %, die erst nach vielen Wochen kompensiert werden konnten.

Eine völlige Entfernung der inneren Lasten, also die Annahme von plötzlichem Leerstand, war von

beiden Lernverfahren bis zum Jahresende nicht auszugleichen.

Die Untersuchungen zu selbstlernenden Verfahren auf Basis von Regressionsmodellen und künst-

lichen neuronalen Netzen konnten das grundsätzliche Funktionieren des Ansatzes aufzeigen, an

der Methodik muss jedoch noch gearbeitet werden, um ein funktionsfähiges, in der Praxis einsatz-

reifes Verfahren zu erhalten.

Ein grundsätzlich neues Prinzip für ein prädiktives Verfahren ist ebenfalls mit Hilfe der Entwick-

lungsumgebung TRNSYS/MATLAB an der Hochschule Offenburg entwickelt worden. Als Beispiel

wurde die Bestimmung des optimalen Einschaltzeitpunkts einer Heizung gewählt. Die Vorgehens-

weise ist die, dass zunächst der zeitliche Verlauf der Raumtemperatur durch eine Differentialglei-

chung analytisch beschrieben wird. Anschließend ist ein Algorithmus entwickelt worden, der es

ermöglicht, die in der Lösung der Differentialgleichung auftretenden Gebäudeparameter adaptiv

während des Betriebes anhand von Messdaten zu bestimmen. Diese Lösung der Differentialglei-

chung stellt ein relativ einfaches Gebäudemodell dar. Nun kann während des Betriebs anhand von

zyklisch stattfindenden Test- oder Versuchsrechnungen unter der Verwendung von Wetterprogno-

sen bestimmt werden, wann die Heizung eingeschaltet werden muss damit zu Arbeitsbeginn die

Seite 151

geforderte Raumtemperatur erreicht ist. Dieser vielversprechende neue Ansatz hat sich in der Ent-

wicklungsumgebung bewährt und soll demnächst in der Praxis getestet und auf andere Anwen-

dungsfälle übertragen werden.

9.3 Wetterprognosen

Der Empfang von Wetterprognosen erfolgt meist per FTP-Download von einem Server des liefern-

den Wetterdienstleisters. In wenigen Einzelfällen kann schon ein Webservice genutzt werden, also

ein direkter Datenbankzugriff über eine Internetverbindung. Es gibt jedoch Fälle, in denen die Ge-

bäudetechnik nicht über eine Internetverbindung erreichbar sein soll, vor allem aus Gründen der

Sicherheit. Aus diesem Grund wurde ein neues Verfahren für die Übertragung von Wetterprogno-

sen entwickelt.

9.3.1 Wetterprognosen mit Langwellenfunktechnik Der Projektpartner der Firma HKW-Elektronik GmbH haben ein System "Meteotime I" entwickelt,

mit dem die Übertragung von Wetterprognosedaten mittels Langwellenfunk möglich ist. Hierfür

wurde bisher der Zeitzeichensender DCF77 genutzt. Mit diesem System können jedoch nur kleine

Datenmengen für Wetterstationen im Consumerbereich übertragen werden, die für die meisten

professionellen Anwendungen in Gebäudeautomation oder Energiemanagement nicht ausreichend

sind. Im Rahmen dieses Projektes wurde die Technologie zum System "Meteotime II" weiterentwi-

ckelt um größere Datenmengen übertragen zu können. Dadurch wird es möglich, mehr und höher

aufgelöste Wetterprognosen anzubieten. Die wesentlich höhere Bandbreite wird vor allem durch

die Nutzung dreier Langwellensender der Europäischen Funkrundsteuerung GmbH möglich, die für

Energiemanagement und Datendienste im Einsatz sind. Nebenbei wird das mögliche Versor-

gungsgebiet durch die neuen Sender erheblich erweitert.

Für den Empfang am Gebäude ist ein kompaktes und preiswertes Empfangsmodul auf der Basis

eines Funkuhrenempfängers entwickelt worden. Für die Schnittstelle zur Gebäudeautomation wur-

de der Modbus Standard gewählt, ein einfaches und weit verbreitetes Protokoll mit geringem Instal-

lationsaufwand.

Aufgrund von Verzögerungen in der Beschaffung von Prognosen konnten während der Projektlauf-

zeit keine stündlich aufgelösten Vorhersagen bereitgestellt werden. Ersatzweise wurde der Tempe-

raturgang aus Tagesmaximum und -minimum für vier Tage interpoliert. Die Umstellung auf höher

aufgelöste Daten ist jedoch vorbereitet und mit der entwickelten Sende- und Empfängertechnologie

problemlos möglich.

9.3.2 Korrekturverfahren von Wetterprognosen durch Vor-Ort-Messungen Untersuchungen haben gezeigt, dass sich das lokale Mikroklima eines Standorts je nach Umge-

bungsbedingungen auch bei geringen Ortsänderungen deutlich verändern kann. Da das Raster für

die Vorhersagegebiete nicht beliebig verkleinert werden kann, ist ein Verfahren entwickelt worden

um die Prognosen, die immer für ein größeres Gebiet gelten, an den jeweiligen Standort eines

Seite 152

Gebäudes anzupassen, beziehungsweise zu optimieren. Hierfür werden lokale Wettermessungen

in unmittelbarer Nähe des Gebäudes herangezogen. Verschieden Algorithmen sind in umfangrei-

chen Simulationen getestet worden. Die besten Ergebnisse wurden mit dem sogenannten Lang-

zeitkorrekturverfahren erzielt, das daraufhin im Empfänger programmiert worden ist. Bei diesem

Verfahren benötigt das System eine Anlern-Phase, in der sich die Genauigkeit der ausgegebenen

Prognose-Werte im Laufe der Zeit immer weiter verbessert. Die am Empfänger eintreffenden Wet-

terprognose-Werte werden mit den lokal gemessenen Daten verglichen. Aus der Differenz werden

Korrekturwerte berechnet, die eine deutliche Verbesserung der Prognosen ermöglichen. Für die

praktische Erprobung und Auswertung ist ein Langzeit-Feldtest erforderlich. Im Rahmen des Pro-

jekts konnte dies nicht mehr umgesetzt werden. Die daraus gewonnenen Erkenntnisse sollen hel-

fen Anpassungen am Algorithmus des Korrekturverfahrens durchzuführen, um weitere Verbesse-

rungen des Systems zu erzielen.

9.4 Umsetzung Prädiktiver Verfahren in der Gebäudeautomation

Die Gebäudeleittechnik der Firma Wonderware ist vom Projektpartner FMSbase.com erweitert und

für den Einsatz moderner prädiktiver Algorithmen vorbereitet worden. Es ist ein Fuzzy Logik Sys-

tem programmiert worden, das es ermöglicht Fuzzy-Regelungen oder auch Fuzzy-

Expertensysteme zu realisieren. Weiterhin ist ein Multiples Lineares Regressionsverfahren imple-

mentiert worden mit dem die Modellbildung für prädiktive Verfahren möglich wird. Die Wetterprog-

nosen des Langwellenfunkempfängers werden über eine serielle Schnittstelle direkt in die spei-

cherprogrammierbare Steuerung der Gebäudeautomation eingelesen.

Seite 153

10 Literatur

[AKE2011] Arbeitskreis Energie der Kammergruppe Karlsruhe Stadt:

Energieverbrauch von Gebäuden – Energetische Gebäudesanierung,

http://www.energieberater-karlsruhe.de/download/01_energieverbrauch-von-

gebaeuden.pdf

Zugriff: 2011.06.16

[BIN2007] Pfafferott J., Kalz D..

Thermoaktive Bauteilsysteme, Nichtwohnungsbauten energieeffizient heizen

und kühlen auf hohem Komfortniveau, BINE Themeninfo 1/ 2007, FIZ Karlsru-

he, ISSN 1610-8302

[EAÖ2011] Stocker, H.:

Einführung in die angewandte Ökonometrie,

Vorlesungsskript, Universität Innsbrück, 2011

[ELA2011] Rodriguez J.: Entwicklung eines lernfähigen Algorithmus zur Wärmelastprog-

nose thermoaktiver Bauteilsysteme anhand von Regressionsmodellen und

künstlichen neuronalen Netzen. Thesis (Master), Fachhochschule Köln,

Deutschland, 2011

[EN2007] DIN Deutsches Institut für Normung e.V.

DIN EN 1521 August 2007, Eingangsparameter für das Raumklima zur Ausle-

gung und Bewertung der Energieeffizienz von Gebäuden

[ENO2011] ENOB, Forschung für Energieoptimiertes Bauen,

Betonkerntemperierung

http://www.enob.info/de/analysen/analyse/details/betonkerntemperierung

Zugriff: 2011.11.17 T10:26Uhr

[FEM2004] Wang, X.:

Einführung in die Finite-Elemente-Methode,

Seminar, Universität Karlsruhe, 2004

[HUK2005] Pech A., Jens K.

Baukonstruktionen Band 15, Heizung und Kühlung, Wien, Springer-Verlag,

2005

[KLZ2010] Bollin, Feldmann, Eicker, Biesinger

Simulationsgestützte Automation für die nachhaltige sommerliche Klimatisie-

rung von Gebäuden, Abschlussbericht Programm Klimazwei, Hochschule Of-

fenburg, 2010

[MAT2011] MATLAB:

MathWorks, MATLAB Hilfe.

http://www.mathworks.com/help

Zugriff: 2011.06.01

Seite 154

[PEW2008] Schellong, W.:

Produktionsleitsysteme in der Energiewirtschaft,

Vorlesungsskript, Fachhochschule Köln, Köln, 2008

[RAN2008] Söncke, A.; Skiera, B.:

Regressionsanalyse,

Homburg, C. (Hrsg.), "Marktforschung. Grundlagen - Methoden - Anwendun-

gen", Wiesbaden, S. 205-236. Februar 2008

[REC2007] Schramek E.:

Taschenbuch für Heizung und Klimatechnik, München. Oldenbourg Industrie-

verlag, 2007

[STA2008] Pfitzinger, H.:

Statistik,

Modul G.1 WS 07/08: Statistik, Vorlesungsskript, Universität Kiel. 2008

[SWP2010] Hentges, F.:

Strom- und Wärmelastprognose mit neuronalen Netzen,

Masterarbeit, Fachhochschule Köln, Köln, 2010

[TBA1999] Glück, B.:

Thermische Bauteilaktivierung,

Forschungsbericht, RUD. OTTO MEYER-UMWELT-STIFTUNG, 1999

[TFN1994] Hagan, M.; Menjah, M.:

Training Feedforward Networks with the Marquardt Algorithm,

IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 5, NO. 6, NOVEM-

BER 1994, 989-993.

[TÖD2009] Tödtli, Gwerder, Lehmann, Renggli, Dorer

TABS Control, Steuerung und Regelung von thermoaktiven Bauteilsystemen,

Zürich. Faktor Verlag, 2009

[TRN2010] Solar Energy Laboratory, University of Wisconsin-Madison,

TRNSYS user manual, Version 2010-04

[VEL2002] Sommer K., Bjarne W. Olesen, Düchting B.:

Untersuchung verschiedener Regelstrategien für die Betonkernaktivierung mit

Hilfe Computersimulation, Velta Kongress 2002

[WKN2011] Wegel, V.:

Strom- und Wärmelastprognose mit künstlichen neuronalen

Netzen in MATLAB,

Diplomarbeit, Fachhochschule Köln, Köln, 2011

[WNN2005] Hentges, F.:

Wärmelastprognose mit neuronalen Netzen,

Diplomarbeit, Fachhochschule Köln, Köln, 2005

Seite 155

11 Abbildungsverzeichnis

Abb. 2-1: Einflussfaktoren auf die thermische Behaglichkeit .............................................................. 5 Abb. 2-2: Prinzip der Heizlast (links) mit Zuführung von Wärmeenergie und Prinzip der

Kühllast (rechts) mit Abführung von Wärmeenergie [HUK2005] ......................................................... 5 Abb. 2-3: Übersicht über heute übliche Varianten von Raumlufttechnischen (RLT) Anlagen zur

Klimatisierung von Büro- und Verwaltungsgebäuden. Darstellung der Kombinationen von

Freier Lüftung mit Raumkühl- / Raumheizsystemen (blau). ................................................................ 7 Abb. 2-4: Thermoaktive Bauteilsysteme (TABS): Kapillarrohrsystem integriert in Deckenputz,

Betonkerntemperierung integriert in Betonkern, Fußbodentemperierung integriert in Estrich,

Zwei-Flächen Bauteiltemperierung integriert in Deckenputz sowie im Betonkern. In Bezug zu

[BIN2007] ............................................................................................................................................. 9 Abb. 2-5: Schema Kühlfall (Flächenkühlung): Betonkernaktivierung wird verwendet, um die

inneren thermischen Lasten abzuführen und somit ein angenehmes Raumklima für den Nutzer

zu erschaffen. Blaues Rohrregister wird mit kaltem Wasser durchströmt und kühlt somit die

Betondecke (Betonmasse) herab. Die Betondecke wird mit „Kälteenergie“ beladen. Es erfolgt

eine Wärmeleitung von Rauminneren zur Betondecke, bzw. zum Rohrregister. Die internen

Lasten werden abgeführt. ..................................................................................................................13 Abb. 2-6: Schema Heizfall (Flächenheizung): Betonkernaktivierung wird verwendet, um den

Raum aufzuheizen und somit ein angenehmes Raumklima für den Nutzer zu erschaffen.

Rotes Rohrregister wird mit warmen Wasser durchströmt und erwärmt somit die Betondecke

(Betonmasse) auf. Die Betondecke wird mit „Wärmeenergie“ beladen. Es erfolgt eine

Wärmeleitung von Rohrregister bzw. Betondecke zur Raumluft. Die Raumluft wird erwärmt. .........13 Abb. 3-1: Thermoaktive Bauteilsysteme: Betriebsweise Tag-Nacht-Betrieb, Darstellung der

Pumpenbetriebslaufzeit für einen Tag ..............................................................................................16 Abb. 3-2: Thermoaktive Bauteilsysteme: Betriebsweise Durchgehender Betrieb, Darstellung

der Pumpenbetriebslaufzeit für einen Tag ........................................................................................16 Abb. 3-3: Thermoaktive Bauteilsysteme: Betriebsweise kontinuierlicher Taktbetrieb,

Darstellung der Pumpenbetriebslaufzeit für einen Tag .....................................................................17 Abb. 3-4: Thermoaktive Bauteilsysteme: Betriebsweise diskontinuierlicher Taktbetrieb,

Darstellung der Pumpenbetriebslaufzeit für einen Tag .....................................................................17 Abb. 3-5: Schema einer Heiz- bzw. Kühlkennlinie für die Vorlauftemperaturregelung bei

Thermoaktiven Bauteilsystemen. Die Vorlauftemperaturregelung geschieht als Funktion der

Außentemperatur. In Bezug zu [TÖD2009] .......................................................................................18 Abb. 3-6: Schema einer Heiz- bzw. Kühlkennlinie für die Rücklauftemperaturregelung bei

Thermoaktiven Bauteilsystemen. Die Rücklauftemperaturregelung geschieht als Funktion der

Außentemperatur. In Bezug zu [TÖD2009] .......................................................................................21 Abb. 4-1: Daten-Inhalte und Wertebereich der Wetterprognose „Standard* des MT2-Services ......32 Abb. 4-2: Daten-Inhalte und Wertebereich der Wetterprognose „Premium* des MT2-Services ......34 Abb. 4-3: Stations-Paare in der Schweiz ..........................................................................................35 Abb. 4-4: weitere repräsentative Stations-Paare in Europa ..............................................................35

Seite 156

Abb. 4-5: RMSE der Tmax - Prognosen aller erwähnten Modelle für die Schweizer Stationen .......37 Abb. 4-6: RMSE der Tmax - Prognosen aller erwähnten Modelle für die Europa Stationen ............37 Abb. 4-7: RMSE der Tmin - Prognosen aller erwähnten Modelle für die Schweizer Stationen ........38 Abb. 4-8: RMSE der Tmin - Prognosen aller erwähnten Modelle für die Europa Stationen .............38 Abb. 4-9: Langzeitprognose mit interpolierten Prognose-Werten für Standort Zürich ......................40 Abb. 4-10: Zusammenhang zwischen Stationshöhe und Verbesserung ..........................................42 Abb. 4-11: Beispiel für die Verbesserung der Temperatur-Prognose durch die angewendete

Korrektur; Adelboden ........................................................................................................................43 Abb. 4-12: Beispiel für den Einfluss plötzlicher Temperaturwechsel auf die Korrektur;

Adelboden .........................................................................................................................................44 Abb. 4-13: Umgesetzte Struktur des Boards für den Temperatur-Sensor mit integrierter

Prognose-Optimierung für die GLT ...................................................................................................46 Abb. 4-14: Bestücktes Sensor-Board, eingebaut in Gehäuse, mit angeschlossener und

drehbar gelagerter Langwellen-Antenne (links), an Mast montierter Sensor (rechts) ......................47 Abb. 5-1: Schematischer Aufbau der Simulation eines Gebäudes inklusive adaptiver

Heizungsregelung .............................................................................................................................51 Abb. 5-2: Flussdiagramm des Algorithmus zur Entscheidungsfindung, ob die Heizung zu

aktuellen Zeitpunkt eingeschaltet werden muss oder nicht ..............................................................54 Abb. 5-3: Simulierter Temperaturverlauf eines Gebäudes in Stuttgart um 08:00 Uhr mit

konventioneller Heizungsregelung (blau) und selbstlernender Heizungsregelung (rot) ...................56 Abb. 5-4: Simulierter Temperaturverlauf eines Gebäudes in Rom um 08:00 Uhr mit

konventioneller Heizungsregelung (blau) und selbstlernender Heizungsregelung (rot) ...................57 Abb. 5-5: Simulierter Temperaturverlauf eines Gebäudes in Moskau um 08:00 Uhr mit

konventioneller Heizungsregelung (blau) und selbstlernender Heizungsregelung (rot) ...................58 Abb. 6-1: Prädiktive Ansteuerung von Thermisch Aktiven Bauteilsystemen ....................................59 Abb. 6-2: TRNSYS Simulation Studio mit Einbindung von MATLAB ................................................60 Abb. 6-3: Modell des Versuchsgebäudes in Goole Sketchup ...........................................................61 Abb. 6-4: Heiz- und Kühlkurve für die witterungsgeführte Steuerung ...............................................64 Abb. 6-5: Kühlen Arbeitstag E = -13,5 + Tmean + 4*(Imean/1000) ..................................................65 Abb. 6-6: Wochenende E = -12 + 0,6*Tmean + 3*(Imean/1000) ......................................................66 Abb. 6-7: Arbeitstag E = -1*( -8 + 0,85*Tmean + 5*(Imean/1000)) ...................................................66 Abb. 6-8: Heizen Wochenende E = -1*( -16,25 + 1,125*Tmean + 6*(Imean/1000)) ........................67 Abb. 6-9: Suboptimaler Algorithmus aufgrund von einheitlichem TABs-Betrieb in allen Zonen

und der Mittelwertbildung des Energiebedarfs vor der Modellierung, trotz unterschiedlicher

innerer Lasten in den Zonen - Dauerlinien der Raumtemperaturen während der Arbeitszeit ..........68 Abb. 6-10: Ergebnisse Optimierungsalgorithmus..............................................................................69 Abb. 6-11: Zwei Ansichten des multiplen linearer Fits für den Kühlenergiebedarf an

Arbeitstagen in Zone SE ...................................................................................................................70 Abb. 6-12: Ergebnisse der Sensivitätsanalyse der Zone Südost ......................................................71 Abb. 6-13 Typische Regressionsgeraden .........................................................................................72 Abb. 6-14: Temperaturdauerlinien Konventioneller Betrieb ..............................................................74

Seite 157

Abb. 6-15: Temperaturdauerlinien Optimaler Prädiktiver Betrieb .....................................................75 Abb. 6-16: Temperaturdauerlinien Konventioneller Betrieb im Detail ...............................................75 Abb. 6-17: Temperaturdauerlinien Optimaler Prädiktiver Betrieb im Detail ......................................75 Abb. 6-18: Vergleich des täglichen Energiebedarfs in Zone Nord ....................................................76 Abb. 6-19: Vergleich des täglichen Energiebedarfs in Zone Südost.................................................76 Abb. 6-20: Vergleich des Jahresheizenergiebedarfs Konventioneller/Prädiktiver Betrieb ................77 Abb. 6-21: Vergleich des Jahresheizenergiebedarfs Konventioneller/ Prädiktiver Betrieb ...............77 Abb. 6-22: Vergleich der Pumpenlaufzeiten Konventioneller/ Prädiktiver Betrieb ............................78 Abb. 7-1: Konvektive Wärmeübertragung [TRN2010].......................................................................83 Abb. 7-2: Wärmeübertragung durch Strahlung [TRN2010] ...............................................................83 Abb. 7-3: Grafische Darstellung eines thermoaktiven Bauteilsystems [TRN2010] ...........................85 Abb. 7-4: Struktur von TABS [TRN2010] ..........................................................................................86 Abb. 7-5: TABS Element [TRN2010] .................................................................................................87 Abb. 7-6: Vergleich Sprungantwort [TRN2010] .................................................................................87 Abb. 7-7: Vergleich Impulsantwort [TRN2010] ..................................................................................87 Abb. 7-8: TRNSYS Simulation Studio ...............................................................................................89 Abb. 7-9: TRNSYS Simulation Engine ..............................................................................................89 Abb. 7-10: Building Visual Interface [TRN2010] ................................................................................90 Abb. 7-11: Wetterstationen in Europa [TRN2010].............................................................................91 Abb. 7-12: Zwei-dimensionale Regression am Beispiel der Daten Tagesmitteltemperatur und

Wärmebedarf [PEW2008] .................................................................................................................92 Abb. 7-13: Regressionsebene der obigen Beispielberechnung [EAÖ2011]. (Gefittete Werte

sind als hohle Kreise dargestellt) ......................................................................................................95 Abb. 7-14: Aufbau eines Neurons [WNN2005] .................................................................................98 Abb. 7-15: Lineare Aktivierungsfunktion [WNN2005] ........................................................................99 Abb. 7-16: Aktivierungsfunktion Tangens Hyperbolicus [WNN2005] ..............................................100 Abb. 7-17: Lernprozess der Backpropagation [WKN2011] .............................................................101 Abb. 7-18: Graphische Darstellung eines Feedforward Netzes [WNN2005] ..................................102 Abb. 7-19: Skizze Testgebäudemodell mit Raumaufteilung und Ausrichtung ................................105 Abb. 7-20: Startsimulation, Raumtemperatur in Nord-Zone des Testgebäudemodells ..................106 Abb. 7-21: Startsimulation, Raumtemperatur in Nordwest-Zone des Testgebäudemodells ...........106 Abb. 7-22: Wetterdatensatz der Startsimulation, Testreferenzjahr des Standorts DE-Stuttgart-

107370 von TRNSYS ......................................................................................................................107 Abb. 7-23: Strukturaufbau des Algorithmus der Multiplen Regression mit Imean =

Tagesmittelwert der Globalstrahlung und Tmean = Tagesmittelwert der Außentemperatur ..........108 Abb. 7-24: Korrekturfaktor im Kühlfall .............................................................................................110 Abb. 7-25: Korrekturfaktor im Heizfall .............................................................................................111 Abb. 7-26: 1. Jahressimulation, Raumtemperaturverlauf in Nord-Zone (MR) ................................112 Abb. 7-27: 1. Jahressimulation, Steuerfunktionen Nord „Heizen an Arbeitstagen“; a)

Darstellung der mittleren Außentemperatur, der mittleren Solarstrahlung und des berechneten

Energiebedarfs b) zugehörige Regressionsfläche ...................................................................114

Seite 158

Abb. 7-28: 1. Jahressimulation, Steuerfunktionen Nord „Heizen an Wochenenden“; a)


Energiebedarfs b) zugehörige Regressionsfläche ...................................................................114 Abb. 7-29: 1. Jahressimulation, Steuerfunktion Nord „Kühlen an Arbeitstagen“; a) Darstellung

der mittleren Außentemperatur, der mittleren Solarstrahlung und des berechneten

Energiebedarfs b) zugehörige Regressionsfläche .........................................................................115 Abb. 7-30: 1. Jahressimulation, Steuerfunktion Nord „Kühlen an Wochenenden“; a)


Energiebedarfs b) zugehörige Regressionsfläche ..........................................................................115 Abb. 7-31: 1. Jahressimulation, Raumtemperaturverlauf in Nordwest-Zone (MR) .........................117 Abb. 7-32: 1. Jahressimulation, Steuerfunktionen Nordwest „Heizen an Arbeitstagen“;

Darstellung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR) ...................118 Abb. 7-33: 1. Jahressimulation, Steuerfunktionen Nordwest „Heizen an Wochenenden“;

Darstellung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR) ...................118 Abb. 7-34: 1. Jahressimulation, Steuerfunktion Nordwest „Kühlen an Arbeitstagen“;

Darstellung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR) ...................119 Abb. 7-35: 1. Jahressimulation, Steuerfunktion Nordwest „Kühlen an Wochenenden“;

Darstellung der Außentemperatur, der Solarstrahlung und des Energiebedarfs (MR) ...................119 Abb. 7-36: 1. Jahressimulation, Jahresdauerlinie der Raumtemperatur; Darstellung aller Zonen

(MR) .................................................................................................................................................120 Abb. 7-37: 2. Jahressimulation, Raumtemperaturverlauf in Nord-Zone (MR) ................................121 Abb. 7-38: 2. Jahressimulation, Jahresdauerlinie der Raumtemperatur; Vergleich Nord-Zone

(MR) erstes Jahr (N1) – zweites Jahr (N2) .....................................................................................121 Abb. 7-39: 2. Jahressimulation, Raumtemperaturverlauf in Nordwest-Zone (MR) .........................122 Abb. 7-40: 2. Jahressimulation, Jahresdauerlinie der Raumtemperatur; Vergleich Nordwest-

Zone (MR) erstes Jahr (NW1) – zweites Jahr (NW2) .....................................................................123 Abb. 7-41: 2. Jahressimulation, Jahresdauerlinien der Raumtemperatur (MR) ..............................123 Abb. 7-42: Jahressimulation mit Änderung der Lastsituation, Reduzierung der

Personenbelegung von 4 auf 3 Personen, Nord-Zone (MR) ..........................................................125 Abb. 7-43: Jahressimulation mit Änderung der Lastsituation, Reduzierung der

Personenbelegung von 4 auf 2 Personen, Nord-Zone (MR) ..........................................................125 Abb. 7-44: Jahressimulation mit Änderung der Lastsituation, Reduzierung der

Personenbelegung von 4 auf 0 Personen, Nord-Zone (MR) ..........................................................126 Abb. 7-45: Jahressimulation mit Änderung der Lastsituation, Jahresdauerlinien der

Raumtemperatur (MR) Reduzierung der Belegung von 4 auf 0 (N40), auf 2 (N42) und auf 3

(N43) Personen ...............................................................................................................................126 Abb. 7-46: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nord-Zone (MR) ..127 Abb. 7-47: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nordwest-Zone

(MR) .................................................................................................................................................128 Abb. 7-48: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien),

Jahresdauerlinien der Raumtemperatur (MR) .................................................................................128

Seite 159

Abb. 7-49: Graphische Darstellung des Netzes ..............................................................................129 Abb. 7-50: Jahressimulation, Raumtemperaturverlauf in Nord-Zone (KNN) ..................................132 Abb. 7-51: Jahressimulation, Jahresdauerlinie der Raumtemperatur; Darstellung aller Zonen

(KNN) ...............................................................................................................................................132 Abb. 7-52: Jahressimulation, Raumtemperaturverlauf in Nordwest-Zone (KNN) ...........................133 Abb. 7-53: Jahressimulation, Jahresdauerlinie der Raumtemperatur; Darstellung der

Nordwest-Zone (KNN) .....................................................................................................................134 Abb. 7-54: Jahressimulation mit Änderung der Lastsituation, Reduzierung der

Personenbelegung von 4 auf 3 Personen, Nord-Zone (KNN) ........................................................135 Abb. 7-55: Jahressimulation mit Änderung der Lastsituation, Reduzierung der

Personenbelegung von 4 auf 0 Personen, Nord-Zone (KNN) ........................................................135 Abb. 7-56: Jahressimulation mit Änderung der Lastsituation, Jahresdauerline der

Raumtemperatur (KNN) ..................................................................................................................136 Abb. 7-57: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nord-Zone

(KNN) ...............................................................................................................................................137 Abb. 7-58: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien), Nordwest-Zone

(KNN) ...............................................................................................................................................138 Abb. 7-59: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien),

Jahresdauerlinien der Raumtemperatur, Nord-Zone (KNN) ...........................................................138 Abb. 7-60: Jahressimulation mit Wetterdaten des Standorts Bologna (Italien),

Jahresdauerlinien der Raumtemperatur, Nordwest-Zone (KNN) ....................................................139 Abb. 8-1: Testaufbau Anschluss Sensor an WAGO-SPS ...............................................................140 Abb. 8-2: Testaufbau WAGO-SPS - Bestandteile ...........................................................................141 Abb. 8-3: Testprogrammierung WAGO-SPS in CoDeDys 2.3 ........................................................142 Abb. 8-4: Testprogrammierung Wonderwarezugriff auf WAGO-SPS .............................................143 Abb. 8-5: Fuzzy-Spezifikationen für die Eingangsvariable Außentemperatur ................................144 Abb. 8-6: Fuzzy-Spezifikationen für die Eingangsvariable Globalstrahlung ...................................144 Abb. 8-7: Fuzzy-Spezifikationen für die Ausgangsvariable Energiebedarf .....................................145 Abb. 8-8: grafische Darstellung des Ergebnis der Fuzzy-Logik ......................................................145 Abb. 8-9: Kühlbedarf in Abhängigkeit von Temperatursummen (links) und in Abhängigkeit von

Temperatur- und Strahlungssummen (mitte und rechts) mit Regressionsebene. ..........................146

Seite 160

12 Tabellenverzeichnis

Tabelle 3-1: Bewertung, Regelung der Vorlauftemperatur als Funktion der Außentemperatur .......19 Tabelle 3-2: Bewertung, Regelung der Vorlauftemperatur als Funktion des Mittelwerts der

gleitenden Außentemperatur der letzten 24 Stunden .......................................................................20 Tabelle 3-3: Bewertung, Regelung der Rücklauftemperatur als Funktion der Außentemperatur .....22 Tabelle 3-4: Bewertung, Regelung der Rücklauftemperatur als Funktion des Mittelwerts der

gleitenden Außentemperatur der letzten 24 Stunden .......................................................................23 Tabelle 3-5: Bewertung, Regelung der Außentemperaturgeführte Regelung des Mittelwerts

zwischen Vorlauf- und Rücklaufwassertemperatur ...........................................................................24 Tabelle 3-6: Vor- und Nachteile der Ergänzungsregelungsstrategie Raumtemperaturregelung ......25 Tabelle 3-7: Vor- und Nachteile der Ergänzungsregelungsstrategie Taktbetrieb .............................26 Tabelle 4-1: Untersuchte Stationspaare und ihre markanten Eigenschaften ...................................41 Tabelle 4-2: Übersicht der ermittelten Werte aus der Simulation .....................................................41 Tabelle 7-1: Kennwerte der Jahressimulation des 1. Testjahres, Nord-Zone .................................113 Tabelle 7-2: Kennwerte der Jahressimulation des 1. Testjahres, Nordwest-Zone .........................118

Documents

Verbesserung von Energieeffizienz und Komfort im ... · Ziel dieses Projektes ist die Entwicklung neuer prädiktiver Algorithmen für die Gebäudeautomation, die in der Lage sind